狠狠狠狠狠狠狠狠狠狠狠狠狠狠,黄片视频免费,最新中文字幕av专区,亚洲一区二区三区在线,国产又爽又黄在线,色丁香视频,肏逼网站,成人五月天影视

   
    點(diǎn)擊上方“小白學(xué)視覺(jué)”，選擇加"星標(biāo)"或“置頂”
   
    
     重磅干貨，第一時(shí)間送達(dá)

介紹

模板匹配是一個(gè)圖像處理問(wèn)題，當(dāng)其姿態(tài)（X，Y，θ）未知時(shí)，使用另一張搜索圖像中的模板圖像找到對(duì)象的位置。在本文中，我們實(shí)現(xiàn)了一種算法，該算法使用對(duì)象的邊緣信息來(lái)識(shí)別搜索圖像中的對(duì)象。

背景

由于其速度和可靠性問(wèn)題，模板匹配本質(zhì)上是一個(gè)棘手的問(wèn)題。當(dāng)對(duì)象部分可見(jiàn)或與其他對(duì)象混合時(shí)，該解決方案應(yīng)對(duì)亮度變化具有魯棒性，最重要的是，該算法應(yīng)具有計(jì)算效率。解決這個(gè)問(wèn)題主要有兩種方法，基于灰度值的匹配（或基于區(qū)域的匹配）和基于特征的匹配（非基于區(qū)域的匹配）。

基于灰度值的方法：在基于灰度值的匹配中，歸一化互相關(guān) (NCC) 算法早在過(guò)去就已為人所知。這通常在每一步通過(guò)減去平均值并除以標(biāo)準(zhǔn)偏差來(lái)完成。模板 t(x, y) 與子圖像 f(x, y) 的互相關(guān)為：

其中 n 是 t(x, y) 和 f(x, y) 中的像素?cái)?shù)。[維基]

盡管該方法對(duì)線性光照變化具有魯棒性，但當(dāng)對(duì)象部分可見(jiàn)或?qū)ο笈c其他對(duì)象混合時(shí)，該算法將失敗。此外，該算法的計(jì)算成本很高，因?yàn)樗枰?jì)算模板圖像中所有像素與搜索圖像之間的相關(guān)性。

基于特征的方法：在圖像處理領(lǐng)域中使用了幾種基于特征的模板匹配方法。與基于邊緣的物體識(shí)別一樣，物體邊緣是用于匹配的特征，在廣義霍夫變換中，物體的幾何特征將用于匹配。

在本文中，我們實(shí)現(xiàn)了一種算法，該算法使用對(duì)象的邊緣信息來(lái)識(shí)別搜索圖像中的對(duì)象。此實(shí)現(xiàn)使用開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)作為平臺(tái)。

編譯示例代碼

我們使用 OpenCV 2.0 和 Visual Studio 2008 來(lái)開(kāi)發(fā)此代碼。要編譯示例代碼，我們需要安裝 OpenCV。

OpenCV 可以從這里免費(fèi)下載。OpenCV的（開(kāi)放源碼?動(dòng)態(tài)數(shù)值V ision）是一種用于實(shí)時(shí)計(jì)算機(jī)視覺(jué)編程功能的庫(kù)。下載 OpenCV 并將其安裝在您的系統(tǒng)中。安裝信息可以從這里閱讀。

我們需要配置我們的 Visual Studio 環(huán)境。可以從此處閱讀此信息。

算法

在這里，我們將解釋基于邊緣的模板匹配技術(shù)。邊緣可以定義為數(shù)字圖像中圖像亮度急劇變化或具有不連續(xù)性的點(diǎn)。從技術(shù)上講，它是一種離散微分運(yùn)算，計(jì)算圖像強(qiáng)度函數(shù)的梯度近似值。

邊緣檢測(cè)的方法有很多，但大多數(shù)可以分為兩類(lèi)：基于搜索的和基于過(guò)零的。基于搜索的方法通過(guò)首先計(jì)算邊緣強(qiáng)度的度量來(lái)檢測(cè)邊緣，通常是一階導(dǎo)數(shù)表達(dá)式，例如梯度幅度，然后使用計(jì)算的局部方向的估計(jì)來(lái)搜索梯度幅度的局部方向最大值邊緣，通常是梯度方向。在這里，我們使用了一種由 Sobel 實(shí)現(xiàn)的方法，稱為 Sobel 算子。操作員計(jì)算每個(gè)點(diǎn)的圖像強(qiáng)度梯度，給出從明到暗的最大可能增加方向以及該方向的變化率。

我們?cè)?X 方向和 Y 方向使用這些梯度或?qū)?shù)進(jìn)行匹配。

該算法包括兩個(gè)步驟。首先，我們需要為模板圖像創(chuàng)建一個(gè)基于邊緣的模型，然后我們使用這個(gè)模型在搜索圖像中進(jìn)行搜索。

創(chuàng)建基于邊緣的模板模型

我們首先從模板圖像的邊緣創(chuàng)建一個(gè)數(shù)據(jù)集或模板模型，用于在搜索圖像中查找該對(duì)象的姿態(tài)。

在這里，我們使用 Canny 邊緣檢測(cè)方法的變體來(lái)查找邊緣。您可以在此處閱讀有關(guān) Canny 邊緣檢測(cè)的更多信息。對(duì)于邊緣提取，Canny 使用以下步驟：

第一步：求圖像的強(qiáng)度梯度

在模板圖像上使用 Sobel 過(guò)濾器，它返回 X (Gx) 和 Y (Gy) 方向的梯度。根據(jù)這個(gè)梯度，我們將使用以下公式計(jì)算邊緣大小和方向：

我們正在使用 OpenCV 函數(shù)來(lái)查找這些值。

cvSobel( src, gx, 1,0, 3 ); //gradient in X directioncvSobel( src, gy, 0, 1, 3 ); //gradient in Y direction
for( i = 1; i < Ssize.height-1; i++ ){    for( j = 1; j < Ssize.width-1; j++ )    {                  _sdx = (short*)(gx->data.ptr + gx->step*i);        _sdy = (short*)(gy->data.ptr + gy->step*i);        fdx = _sdx[j]; fdy = _sdy[j];        // read x, y derivatives
        //Magnitude = Sqrt(gx^2 +gy^2)        MagG = sqrt((float)(fdx*fdx) + (float)(fdy*fdy));        //Direction = invtan (Gy / Gx)        direction =cvFastArctan((float)fdy,(float)fdx);        magMat[i][j] = MagG;                    if(MagG>MaxGradient)            MaxGradient=MagG;            // get maximum gradient value for normalizing.
                    // get closest angle from 0, 45, 90, 135 set        if ( (direction>0 && direction < 22.5) ||               (direction >157.5 && direction < 202.5) ||               (direction>337.5 && direction<360)  )            direction = 0;        else if ( (direction>22.5 && direction < 67.5) ||                   (direction >202.5 && direction <247.5)  )            direction = 45;        else if ( (direction >67.5 && direction < 112.5)||                  (direction>247.5 && direction<292.5) )            direction = 90;        else if ( (direction >112.5 && direction < 157.5)||                  (direction>292.5 && direction<337.5) )            direction = 135;        else            direction = 0;                    orients[count] = (int)direction;        count++;    }}

一旦找到邊緣方向，下一步就是關(guān)聯(lián)圖像中可以追蹤的邊緣方向。有四種可能的方向來(lái)描述周?chē)南袼兀? 度、45 度、90 度和 135 度。我們將所有方向分配給這些角度中的任何一個(gè)。

步驟 2：應(yīng)用非極大值抑制

找到邊緣方向后，我們會(huì)做一個(gè)非極大值抑制算法。非極大值抑制沿邊緣方向跟蹤左右像素，如果當(dāng)前像素幅度小于左右像素幅度，則抑制當(dāng)前像素幅度。這將導(dǎo)致圖像變薄。

for( i = 1; i < Ssize.height-1; i++ ){    for( j = 1; j < Ssize.width-1; j++ )    {        switch ( orients[count] )        {            case 0:                leftPixel  = magMat[i][j-1];                rightPixel = magMat[i][j+1];                break;            case 45:                leftPixel  = magMat[i-1][j+1];                rightPixel = magMat[i+1][j-1];                break;            case 90:                leftPixel  = magMat[i-1][j];                rightPixel = magMat[i+1][j];                break;            case 135:                leftPixel  = magMat[i-1][j-1];                rightPixel = magMat[i+1][j+1];                break;        }        // compare current pixels value with adjacent pixels        if (( magMat[i][j] < leftPixel ) || (magMat[i][j] < rightPixel ) )            (nmsEdges->data.ptr + nmsEdges->step*i)[j]=0;        Else            (nmsEdges->data.ptr + nmsEdges->step*i)[j]=                                 (uchar)(magMat[i][j]/MaxGradient*255);        count++;    }}

第三步：做滯后閾值

用滯后做閾值需要兩個(gè)閾值：高和低。我們應(yīng)用高閾值來(lái)標(biāo)記那些我們可以相當(dāng)確定是真實(shí)的邊緣。從這些開(kāi)始，使用先前導(dǎo)出的方向信息，可以通過(guò)圖像追蹤其他邊緣。在跟蹤邊緣時(shí)，我們應(yīng)用較低的閾值，只要我們找到一個(gè)起點(diǎn)，我們就可以跟蹤邊緣的微弱部分。

_sdx = (short*)(gx->data.ptr + gx->step*i);_sdy = (short*)(gy->data.ptr + gy->step*i);fdx = _sdx[j]; fdy = _sdy[j];    MagG = sqrt(fdx*fdx + fdy*fdy); //Magnitude = Sqrt(gx^2 +gy^2)DirG =cvFastArctan((float)fdy,(float)fdx);     //Direction = tan(y/x)
////((uchar*)(imgGDir->imageData + imgGDir->widthStep*i))[j]= MagG;flag=1;if(((double)((nmsEdges->data.ptr + nmsEdges->step*i))[j]) < maxContrast){    if(((double)((nmsEdges->data.ptr + nmsEdges->step*i))[j])< minContrast)    {        (nmsEdges->data.ptr + nmsEdges->step*i)[j]=0;        flag=0; // remove from edge        ////((uchar*)(imgGDir->imageData + imgGDir->widthStep*i))[j]=0;    }    else    {   // if any of 8 neighboring pixel is not greater than max contraxt remove from edge        if( (((double)((nmsEdges->data.ptr + nmsEdges->step*(i-1)))[j-1]) < maxContrast) &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*(i-1)))[j]) < maxContrast)   &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*(i-1)))[j+1]) < maxContrast) &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*i))[j-1]) < maxContrast)     &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*i))[j+1]) < maxContrast)     &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*(i+1)))[j-1]) < maxContrast) &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*(i+1)))[j]) < maxContrast)   &&            (((double)((nmsEdges->data.ptr + nmsEdges->step*(i+1)))[j+1]) < maxContrast))        {            (nmsEdges->data.ptr + nmsEdges->step*i)[j]=0;            flag=0;            ////((uchar*)(imgGDir->imageData + imgGDir->widthStep*i))[j]=0;        }    }}

第 4 步：保存數(shù)據(jù)集

提取邊緣后，我們將所選邊緣的 X 和 Y 導(dǎo)數(shù)與坐標(biāo)信息一起保存為模板模型。這些坐標(biāo)將重新排列以反映作為重心的起點(diǎn)。

找到基于邊的模板模型

算法中的下一個(gè)任務(wù)是使用模板模型在搜索圖像中找到對(duì)象。我們可以看到我們從包含一組點(diǎn)的模板圖像創(chuàng)建的模型：

，以及它在 X 和 Y 方向上的梯度

，其中i = 1…n，n是模板 (T) 數(shù)據(jù)集中的元素?cái)?shù)。

我們還可以在搜索圖像 (S) 中找到梯度

，其中 u = 1...搜索圖像中的行數(shù)，v = 1...搜索圖像中的列數(shù)。

在匹配過(guò)程中，應(yīng)使用相似性度量將模板模型與所有位置的搜索圖像進(jìn)行比較。相似性度量背后的思想是取模板圖像梯度向量的所有歸一化點(diǎn)積之和，并在模型數(shù)據(jù)集中的所有點(diǎn)上搜索圖像。這會(huì)導(dǎo)致搜索圖像中每個(gè)點(diǎn)的分?jǐn)?shù)。這可以表述如下：

如果模板模型和搜索圖像之間存在完美匹配，則此函數(shù)將返回分?jǐn)?shù) 1。該分?jǐn)?shù)對(duì)應(yīng)于搜索圖像中可見(jiàn)的對(duì)象部分。如果搜索圖像中不存在對(duì)象，則分?jǐn)?shù)將為 0。

cvSobel( src, Sdx, 1, 0, 3 );  // find X derivativescvSobel( src, Sdy, 0, 1, 3 ); // find Y derivativesfor( i = 0; i < Ssize.height; i++ ){    for( j = 0; j < Ssize.width; j++ )    {         partialSum = 0; // initilize partialSum measure        for(m=0;m<noOfCordinates;m++)        {            curX    = i + cordinates[m].x ;    // template X coordinate            curY    = j + cordinates[m].y ; // template Y coordinate            iTx    = edgeDerivativeX[m];    // template X derivative            iTy    = edgeDerivativeY[m];    // template Y derivative
            if(curX<0 ||curY<0||curX>Ssize.height-1 ||curY>Ssize.width-1)                continue;                                 _Sdx = (short*)(Sdx->data.ptr + Sdx->step*(curX));            _Sdy = (short*)(Sdy->data.ptr + Sdy->step*(curX));                                    iSx=_Sdx[curY]; // get curresponding  X derivative from source image            iSy=_Sdy[curY];// get curresponding  Y derivative from source image                                    if((iSx!=0 || iSy!=0) && (iTx!=0 || iTy!=0))            {                //partial Sum  = Sum of(((Source X derivative* Template X drivative)                //+ Source Y derivative * Template Y derivative)) / Edge                //magnitude of(Template)* edge magnitude of(Source))                partialSum = partialSum + ((iSx*iTx)+(iSy*iTy))*                            (edgeMagnitude[m] * matGradMag[curX][curY]);                                                }

在實(shí)際情況下，我們需要加快搜索過(guò)程。這可以使用各種方法來(lái)實(shí)現(xiàn)。第一種方法是使用平均的屬性。在尋找相似性度量時(shí)，如果我們可以為相似性度量設(shè)置一個(gè)最小分?jǐn)?shù)（S ^min），我們就不需要評(píng)估模板模型中的所有點(diǎn)。為了檢查特定點(diǎn) J 處的部分分?jǐn)?shù) S _u,v，我們必須找到部分總和 Sm。點(diǎn) m 處的 Sm 可以定義如下：

很明顯，和的剩余項(xiàng)小于或等于 1。因此，如果，我們可以停止評(píng)估

。

另一個(gè)標(biāo)準(zhǔn)可以是任何點(diǎn)的部分分?jǐn)?shù)應(yīng)大于最低分?jǐn)?shù)。即，

。使用此條件時(shí)，匹配將非常快。但問(wèn)題是，如果先檢查對(duì)象的缺失部分，部分和會(huì)很低。在這種情況下，對(duì)象的該實(shí)例不會(huì)被視為匹配項(xiàng)。我們可以用另一個(gè)標(biāo)準(zhǔn)修改它，我們用安全停止標(biāo)準(zhǔn)檢查模板模型的第一部分，用硬標(biāo)準(zhǔn)檢查其余部分，

. 用戶可以指定貪婪參數(shù) (g)，其中使用硬標(biāo)準(zhǔn)檢查模板模型的部分。所以如果g=1，模板模型中的所有點(diǎn)都用硬標(biāo)準(zhǔn)檢查，如果g=0，所有點(diǎn)將只用安全標(biāo)準(zhǔn)檢查。我們可以將這個(gè)過(guò)程表述如下。

部分分?jǐn)?shù)的評(píng)估可以在以下位置停止：

// stoping criterias to search for modeldouble normMinScore = minScore /noOfCordinates; // precompute minumum score double normGreediness = ((1- greediness * minScore)/(1-greediness)) /noOfCordinates;// precompute greedniness
sumOfCoords = m + 1;partialScore = partialSum /sumOfCoords ;// check termination criteria// if partial score score is less than the score than// needed to make the required score at that position// break serching at that coordinate.if( partialScore < (MIN((minScore -1) +         normGreediness*sumOfCoords,normMinScore*  sumOfCoords)))    break;

這種相似性度量有幾個(gè)優(yōu)點(diǎn)：相似性度量對(duì)非線性光照變化是不變的，因?yàn)樗刑荻认蛄慷际菤w一化的。由于邊緣過(guò)濾沒(méi)有分割，它將顯示對(duì)光照任意變化的真實(shí)不變性。更重要的是，當(dāng)對(duì)象部分可見(jiàn)或與其他對(duì)象混合時(shí)，這種相似性度量是穩(wěn)健的。

增強(qiáng)功能

該算法有多種可能的增強(qiáng)。為了進(jìn)一步加快搜索過(guò)程，可以使用金字塔方法。在這種情況下，搜索以低分辨率和小圖像尺寸開(kāi)始。這對(duì)應(yīng)于金字塔的頂部。如果在此階段搜索成功，則在金字塔的下一層繼續(xù)搜索，該層代表更高分辨率的圖像。以這種方式，繼續(xù)搜索，從而細(xì)化結(jié)果，直到達(dá)到原始圖像大小，即到達(dá)金字塔底部。

通過(guò)擴(kuò)展旋轉(zhuǎn)和縮放算法，可以實(shí)現(xiàn)另一種增強(qiáng)。這可以通過(guò)創(chuàng)建用于旋轉(zhuǎn)和縮放的模板模型并使用所有這些模板模型執(zhí)行搜索來(lái)完成。

參考

機(jī)器視覺(jué)算法和應(yīng)用 [Carsten Steger、Markus Ulrich、Christian Wiedemann]
數(shù)字圖像處理 [Rafael C. Gonzalez, Richard Eugene Woods]
http://dasl.mem.drexel.edu/alumni/bGreen/www.pages.drexel.edu/_weg22/can_tut.html

源碼與測(cè)試Demo

1. 源碼下載鏈接：https://www.codeproject.com/KB/graphics/Edge_Based_template_match/GeoMatch_src.zip

2. 測(cè)試Demo下載鏈接：

https://www.codeproject.com/KB/graphics/Edge_Based_template_match/GeoMatch_demo.zip

【后記】

上面代碼使用的是OpenCV2版本，安裝包可以在下面交流群獲取；
代碼適用部分遮擋和亮度變化情況的匹配；
算法測(cè)試時(shí)間較長(zhǎng)，還需優(yōu)化，可用作學(xué)習(xí)。
不適用旋轉(zhuǎn)和縮放匹配；
和Halcon的匹配相比還有較大差距(如果有人拿這個(gè)說(shuō)實(shí)現(xiàn)了Halcon匹配算法，那估計(jì)是自己根本沒(méi)用過(guò)Halcon吧)。

   
    下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
    

   
   
    在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺(jué)、目標(biāo)跟蹤、生物視覺(jué)、超分辨率處理等二十多章內(nèi)容。
   
   
    

   
   
    下載2：Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目52講
   
   
    在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車(chē)道線檢測(cè)、車(chē)輛計(jì)數(shù)、添加眼線、車(chē)牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺(jué)實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺(jué)。
   
   
    

   
   
    下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
   
   
    在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。
   
   
    

   
交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺(jué)、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺(jué)SLAM“。請(qǐng)按照格式備注，否則不予通過(guò)。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~

OpenCV實(shí)現(xiàn)基于邊緣的模板匹配--適用部分遮擋和光照變化情形(附源碼)

介紹

背景