摘要： 鋼鐵生產(chǎn)車間環(huán)境復(fù)雜,鋼包號區(qū)域定位及其字符識別困難。為提升鋼鐵生產(chǎn)車間智能制造水平,本文采用機(jī)器視覺方法實現(xiàn)鋼包號自動識別。首先利用模板匹配技術(shù)實現(xiàn)鋼包號區(qū)域定位,在定位區(qū)域內(nèi)實現(xiàn)號碼字符分割,然后通過數(shù)據(jù)增廣方法增加訓(xùn)練數(shù)據(jù)集,提高Tesseract OCR的識別率,最后利用Tesseract OCR實現(xiàn)了鋼包號碼的自動識別。從實驗結(jié)果看,本文方法能穩(wěn)定定位鋼包號碼區(qū)域,號碼識別率達(dá)98.30%。

摘要： 基本的目標(biāo)檢測任務(wù)是在圖像中識別目標(biāo),并標(biāo)注目標(biāo)的類別和位置信息。但是,很多應(yīng)用中的目標(biāo)檢測任務(wù)常常帶有語義約束,典型的包括單類別目標(biāo)的數(shù)量約束和多個目標(biāo)之間的空間位置約束。如在基于視頻的生產(chǎn)安全監(jiān)控系統(tǒng)中,目標(biāo)檢測不僅要識別和標(biāo)定安全防護(hù)裝備,還要檢測這些安全防護(hù)裝備是否被規(guī)范穿戴。提出了一種目標(biāo)檢測中語義約束檢查算法,定義一種語義約束的模型,然后對圖像進(jìn)行帶有語義信息的目標(biāo)檢測,最終對目標(biāo)檢測結(jié)果與語義約束進(jìn)行一致性判定。以電力施工防護(hù)裝備檢查的實際需求和現(xiàn)場安監(jiān)視頻為例,驗證了所提出的目標(biāo)檢測中語義約束檢查算法的有效性。

摘要： 隨著社會的不斷發(fā)展和科技的不斷進(jìn)步,視頻衛(wèi)星越來越受到重視,而在衛(wèi)星視頻中對小目標(biāo)的跟蹤也逐漸成為一種新的研究方向。針對衛(wèi)星視頻中目標(biāo)背景復(fù)雜、目標(biāo)較小、跟蹤過程中準(zhǔn)確度較低的問題,提出了改進(jìn)的核相關(guān)濾波(KCF)算法對衛(wèi)星視頻中的小目標(biāo)進(jìn)行實時性地跟蹤。該算法結(jié)合卡爾曼濾波算法,解決目標(biāo)跟蹤過程中目標(biāo)被遮擋的問題,利用局部模板匹配的方法對目標(biāo)進(jìn)行精確地跟蹤,使用固定目標(biāo)尺寸來保證目標(biāo)跟蹤的成功率。所用的視頻數(shù)據(jù)集由“吉林一號”視頻衛(wèi)星拍攝,并且經(jīng)過多次實驗,最終實驗結(jié)果表明所改進(jìn)的算法不僅能夠解決目標(biāo)遮擋的問題,并且還能在復(fù)雜背景下對目標(biāo)進(jìn)行準(zhǔn)確地跟蹤,目標(biāo)跟蹤的成功率得到了很大的提高。

摘要： 為解決車牌圖像中相似字符的誤識別問題,提出一種融合改進(jìn)局部HOG特征的模板匹配法。將改進(jìn)方法與模板匹配法、模板匹配法結(jié)合躍變特征和模板匹配法結(jié)合局部HOG特征方法進(jìn)行比較實驗,測試第一類車牌圖像時,識別率分別提高52%、12%和4%;測試第二類車牌圖像時,識別率分別提高36%、28%和4%。改進(jìn)的局部HOG特征確定了字符圖像局部特征塊的優(yōu)化參數(shù),得到局部優(yōu)化的特征塊,降低了特征描述符維數(shù),在保證識別速率的同時提高了識別率。

摘要： 針對當(dāng)前車牌字符識別中相似字符易出錯的問題,提出了模板匹配聯(lián)合特征的車牌字符識別方法。在算法設(shè)計中,首先,根據(jù)車牌字符特征構(gòu)建存在相似字符,識別時容易出錯的特征字符庫;初次識別時,對所有車牌字符采用模板匹配算法;初次識別的結(jié)果如不屬于特征字符庫,識別結(jié)束;否則進(jìn)行二次特征識別。通過對4000張不同環(huán)境下的車牌圖片進(jìn)行測試,表明本方法的識別率達(dá)到了99%,解決了車牌相似字符識別時易出錯的問題。此外,本算法設(shè)計簡單,識別速度快,適應(yīng)性強(qiáng),對車牌識別系統(tǒng)的普及起到了重要作用。

摘要： 目的快速且精準(zhǔn)地檢測啤酒箱常見的印刷缺陷。方法以啤酒箱面紙為檢測目標(biāo),通過提取模板圖像中形狀和灰度值信息構(gòu)建差異模型的模板匹配方法,對啤酒箱印刷中常見的缺陷特征進(jìn)行檢測,根據(jù)檢測結(jié)果判斷印刷質(zhì)量是否合格,并通過檢測驗證實驗對質(zhì)量檢測方案的效果進(jìn)行評估。結(jié)果通過對所采集的500張圖像進(jìn)行檢測實驗并統(tǒng)計結(jié)果,該方法的平均準(zhǔn)確率達(dá)到96.18%,漏檢率小于0.9%,誤判率為3.08%,平均檢測耗時低于10 ms。結(jié)論使用該方法對啤酒箱面紙這類膠印制品進(jìn)行質(zhì)量檢測的效果優(yōu)秀且穩(wěn)定,可以對細(xì)小劃痕等高精度要求的缺陷進(jìn)行精準(zhǔn)檢測,而且檢測速度也快于其他方法。

摘要： 矩不變量是計算機(jī)視覺和模式識別領(lǐng)域常用的圖像不變特征.現(xiàn)有的形狀和顏色變換下彩色圖像的矩不變量均基于幾何矩構(gòu)造,因此抗噪性較差.針對該問題,提出了利用基本微分算子和顏色幾何基元生成旋轉(zhuǎn)-仿射變換下彩色圖像Gaussian-Hermite正交矩不變量的方法,所構(gòu)造的不變量均為Gaussian-Hermite矩的齊次多項式;然后生成所有可能的低階低次不變量,并從中得到13個滿足線性獨立關(guān)系的不變量實例.基于合成圖像數(shù)據(jù)集和HPatches圖像數(shù)據(jù)集進(jìn)行了數(shù)值穩(wěn)定性驗證、圖像分類和模板匹配實驗,結(jié)果表明,13個不變量實例具有良好的數(shù)值穩(wěn)定性和抗噪性;使用它們得到的分類和匹配準(zhǔn)確率比同類矩不變量分別高出10%和30%左右.

摘要： 圓盤在治具中放置時,如果位置擺放不精細(xì),會導(dǎo)致機(jī)器人在抓取的時候不能準(zhǔn)確到達(dá)指定位置?；诖藛栴},提出采用機(jī)器視覺定位的方法,使用工業(yè)相機(jī)采集圖像,再對圖像進(jìn)行濾波、二值化、初級形態(tài)學(xué)等預(yù)處理,隨后使用視覺處理算法模板匹配出圓盤的外形輪廓,再建立坐標(biāo)系,并對坐標(biāo)數(shù)據(jù)進(jìn)行轉(zhuǎn)換,得到圓盤的實際位置坐標(biāo)和角度,即可精確定位出圓盤擺放的位置。視覺系統(tǒng)與機(jī)器人建立通訊連接,讓機(jī)器人到達(dá)圓盤的實際位置,實現(xiàn)抓取圓盤的精準(zhǔn)動作。經(jīng)實驗驗證,此方法穩(wěn)定可靠。

摘要： 桿狀道路設(shè)施是車道級高精度地圖制作、道路信息管理等應(yīng)用中的重要地理信息要素,車載激光點云已成為桿狀道路設(shè)施調(diào)查的重要數(shù)據(jù)源。針對模型擬合以及基于語義和特征等桿狀道路設(shè)施提取方法在實際運用中的不足,提出一種基于多尺度擴(kuò)展高斯影像特征的桿狀道路設(shè)施提取方法。該方法利用多尺度擴(kuò)展高斯影像對分割后點云對象進(jìn)行特征描述,并通過與模板點云對象進(jìn)行特征匹配實現(xiàn)典型桿狀道路設(shè)施的提取。采用兩份車載激光點云數(shù)據(jù)對所提出算法進(jìn)行了驗證。實驗結(jié)果表明,路燈的平均提取正確率和平均提取完整率分別為96.13%和95.28%,交通標(biāo)志牌的平均提取正確率和平均提取完整率分別為86.35%和82.48%,均實現(xiàn)了有效提取。

摘要： 特征點匹配是圖像匹配領(lǐng)域中一項重要研究內(nèi)容。暴力匹配中強(qiáng)調(diào)缺少特征匹配不是由于太少的正確匹配,而在于很難分辨真假,故加入模板匹配進(jìn)行約束,提出一種改進(jìn)模板匹配算法。為了提升匹配速度和精度,該算法通過提供特征點的坐標(biāo),可以計算出每個特征點的得分值,并將其用于從輸入圖像中提取模板?；谳斎雸D像和另一幅圖像之間的模板匹配,使用暴力匹配算法在模板和匹配區(qū)域之間進(jìn)行特征點匹配。該算法可以將高匹配數(shù)轉(zhuǎn)換為高匹配質(zhì)量。實驗結(jié)果表明,該算法匹配速度較快、準(zhǔn)確度較好。

摘要： 為實現(xiàn)自動化檢定中對智能電能表液晶屏質(zhì)量的在線檢測,并解決誤判率高的難題,文中提出了一種基于快速模板匹配的電能表在線液晶屏檢測新方法.該方法采用基于閾值自適應(yīng)序貫相似性算法的自學(xué)習(xí)型模板快速匹配算法,將多幅模板圖像的特征綜合為一個標(biāo)準(zhǔn)模板,建立實時調(diào)整的自學(xué)習(xí)型模板庫,并改進(jìn)傳統(tǒng)的序貫相似性算法,將其閾值自適應(yīng).實驗結(jié)果表明文中提出的方法不僅具有較高的檢測效率和匹配精度,還有效降低誤判率,具有較高的工程應(yīng)用價值.

摘要： 為實現(xiàn)自動化檢定中對智能電能表液晶屏質(zhì)量的在線檢測,并解決誤判率高的難題,文中提出了一種基于快速模板匹配的電能表在線液晶屏檢測新方法.該方法采用基于閾值自適應(yīng)序貫相似性算法的自學(xué)習(xí)型模板快速匹配算法,將多幅模板圖像的特征綜合為一個標(biāo)準(zhǔn)模板,建立實時調(diào)整的自學(xué)習(xí)型模板庫,并改進(jìn)傳統(tǒng)的序貫相似性算法,將其閾值自適應(yīng).實驗結(jié)果表明文中提出的方法不僅具有較高的檢測效率和匹配精度,還有效降低誤判率,具有較高的工程應(yīng)用價值.

摘要： 隨著無線網(wǎng)絡(luò)和智能移動終端設(shè)備的發(fā)展,屏幕視頻編碼變得越來越重要.使用模板匹配的方法,對屏幕視頻圖像進(jìn)行預(yù)測,近80％的點殘差為0.為了更好地非零殘差進(jìn)行編碼,本文在使用模板匹配方法進(jìn)行幀內(nèi)預(yù)測的基礎(chǔ)上,進(jìn)一步使用調(diào)色板工具對較大殘差值進(jìn)行修正處理,利用變換編碼對較小的殘差進(jìn)行編碼,提升壓縮效率.

摘要： 針對彈簧承載座人工檢測效率低、勞動強(qiáng)度大等問題,對彈簧承載座缺陷種類及缺陷特征進(jìn)行了研究,并對其缺陷檢測流程進(jìn)行了分析歸納,提出了一種基于機(jī)器視覺的彈簧承載座缺陷檢測算法,實現(xiàn)了缺陷檢測自動化.通過中值濾波算法對圖像進(jìn)行預(yù)處理,去除圖片噪聲;提出了一種兩步找圓的方法,確定檢測區(qū)域尺寸,再通過對檢測區(qū)域進(jìn)行掩膜操作,實現(xiàn)彈簧承載座焊渣和缺口缺陷檢測;通過基于邊緣點的模板匹配算法來判斷字符的完整性.實驗結(jié)果表明,以上算法能夠準(zhǔn)確判斷彈簧承載座尺寸、焊渣、缺口以及字符等缺陷,檢測正確率達(dá)到98％.

摘要： 無人機(jī)覆蓋區(qū)域廣、不受道路交通限制,為了利用無人機(jī)視頻從廣域的視角準(zhǔn)確全面提取交通信息,本文對基于無人機(jī)視頻的車輛檢測算法展開了研究.首先,分析了無人機(jī)視頻具有的特性;然后,分別基于幀間差分、分塊背景建模和模板匹配思想,提出了三種車輛自動檢測算法;最后,對比分析了算法性能,結(jié)果表明:幀間差分和分塊背景建模法檢測速度快,適用于交通狀態(tài)良好、穩(wěn)定飛行條件下懸停拍攝的視頻;模板匹配法檢測速度較慢,適用于巡航拍攝視頻,或交通環(huán)境復(fù)雜、飛行條件較差的懸停拍攝視頻.

摘要： 針對目前電力系統(tǒng)操控領(lǐng)域中存在的觸電等安全隱患,將手勢識別技術(shù)應(yīng)用到電力系統(tǒng)中,設(shè)計了一套以Kinect采集設(shè)備、PC機(jī)、單片機(jī)為平臺的復(fù)雜背景下基于視覺的手勢識別在高壓危險檢測和控制領(lǐng)域中的應(yīng)用系統(tǒng).該系統(tǒng)研究并采用了基于深度圖像閾值分割前景背景和膚色檢測相結(jié)合的手勢檢測方法,和基于手勢之間放縮比例一致性、旋轉(zhuǎn)角度一致性模板匹配的手勢識別方法.實驗結(jié)果表明,該系統(tǒng)平均識別率達(dá)94.26％,魯棒性好.

摘要： 隨著當(dāng)今智能化和數(shù)字化的發(fā)展,機(jī)器視覺受到更加廣泛的關(guān)注,其應(yīng)用也得到了飛速的發(fā)展.為了有效控制管道第三方破壞引發(fā)的危險,保護(hù)長距離、無人看管的油氣管道的安全,保障國民經(jīng)濟(jì)和人民生活的穩(wěn)定.本文采用形狀、顏色和灰度特征相結(jié)合的基于圖像的目標(biāo)提取方法,結(jié)合視頻監(jiān)控異常車輛的自動識別方案,提出了基于機(jī)器視覺的管道第三方破壞危險的智能識別與報警系統(tǒng).該系統(tǒng)以車輛牌照為對象、結(jié)合數(shù)據(jù)及模板匹配,可得70％識別準(zhǔn)確率,且在出現(xiàn)異常時實現(xiàn)聲音和界面彈窗雙層警報,使得管道周邊有大型車輛,如挖掘機(jī)等,或有異常車輛及人員實施破壞行為時能夠及時識別出并報警,則會極大地保護(hù)長輸管道的安全.

摘要： 軌道扣件缺失檢測是鐵路日常巡檢的重要內(nèi)容,結(jié)合現(xiàn)代化鐵路對自動化檢測技術(shù)的實時性和自適應(yīng)性要求,本文提出了一種基于機(jī)器視覺的軌道扣件缺失實時檢測方法.依據(jù)機(jī)器視覺的基本原理,設(shè)計了遮光罩加LED輔助光源的圖像采集裝置,利用開關(guān)型中值濾波和基于圖像梯度幅值的改進(jìn)Canny邊緣檢測方法,對扣件邊緣特征進(jìn)行自適應(yīng)圖像增強(qiáng),再結(jié)合扣件彈條處穩(wěn)定的邊緣輪廓特征,利用基于曲線特征投影的模板匹配實現(xiàn)了扣件缺失的實時檢測.經(jīng)過實驗驗證,平均每幀圖像的處理時間為245.61ms,平均識別正確率為85.8％,且該方法具有一定的自適應(yīng)性,最高支持以3.85m/s推行速度,可滿足對實際運營線路進(jìn)行扣件缺失的實時檢測需求.

摘要： 目標(biāo)的位姿是目標(biāo)位置和姿態(tài)的統(tǒng)稱.而目標(biāo)位姿估計則是指求解目標(biāo)本體坐標(biāo)系相對于參考坐標(biāo)系之間平移和旋轉(zhuǎn)變化關(guān)系的過程.常見的位姿測量技術(shù)有GPS、慣導(dǎo)、視覺等.GPS易受地形屏蔽,存在信號丟失的問題.慣導(dǎo)系統(tǒng)存在誤差漂移效應(yīng)以及價格昂貴等缺點.基于視覺的位姿測量系統(tǒng)以其成本低廉、精度高、非接觸等優(yōu)點而被廣泛應(yīng)用于軍事制導(dǎo)、航天器交會對接、機(jī)器人抓取、自動駕駛、增強(qiáng)現(xiàn)實等領(lǐng)域.在工業(yè)自動化生產(chǎn)領(lǐng)域中,機(jī)器人能通過攝像頭實時獲取貨物的6D位姿信息,從而準(zhǔn)確抓取分揀貨物,極大地提高了生產(chǎn)效率.在軍事偵察和制導(dǎo)領(lǐng)域中,目標(biāo)的6D位姿信息是反映目標(biāo)當(dāng)前狀態(tài)非常重要的參數(shù),對于刻畫目標(biāo)狀態(tài)、分析戰(zhàn)場態(tài)勢、選擇目標(biāo)關(guān)鍵部位、實施點穴式打擊等,都具有十分重要的意義.基于視覺技術(shù)測量目標(biāo)的6D位姿信息已有長期研究.而近年來,隨著深度學(xué)習(xí)技術(shù)的廣泛應(yīng)用,也出現(xiàn)了很多基于深度學(xué)習(xí)的目標(biāo)6D位姿估計和測量方法.本文旨在詳細(xì)梳理基于視覺的目標(biāo)位姿估計方法的研究歷史與現(xiàn)狀,分析各類主流方法的主要思路、優(yōu)勢與不足,并對該項技術(shù)未來的發(fā)展方向提出具體的思考和建議.

摘要： 目標(biāo)的位姿是目標(biāo)位置和姿態(tài)的統(tǒng)稱.而目標(biāo)位姿估計則是指求解目標(biāo)本體坐標(biāo)系相對于參考坐標(biāo)系之間平移和旋轉(zhuǎn)變化關(guān)系的過程.常見的位姿測量技術(shù)有GPS、慣導(dǎo)、視覺等.GPS易受地形屏蔽,存在信號丟失的問題.慣導(dǎo)系統(tǒng)存在誤差漂移效應(yīng)以及價格昂貴等缺點.基于視覺的位姿測量系統(tǒng)以其成本低廉、精度高、非接觸等優(yōu)點而被廣泛應(yīng)用于軍事制導(dǎo)、航天器交會對接、機(jī)器人抓取、自動駕駛、增強(qiáng)現(xiàn)實等領(lǐng)域.在工業(yè)自動化生產(chǎn)領(lǐng)域中,機(jī)器人能通過攝像頭實時獲取貨物的6D位姿信息,從而準(zhǔn)確抓取分揀貨物,極大地提高了生產(chǎn)效率.在軍事偵察和制導(dǎo)領(lǐng)域中,目標(biāo)的6D位姿信息是反映目標(biāo)當(dāng)前狀態(tài)非常重要的參數(shù),對于刻畫目標(biāo)狀態(tài)、分析戰(zhàn)場態(tài)勢、選擇目標(biāo)關(guān)鍵部位、實施點穴式打擊等,都具有十分重要的意義.基于視覺技術(shù)測量目標(biāo)的6D位姿信息已有長期研究.而近年來,隨著深度學(xué)習(xí)技術(shù)的廣泛應(yīng)用,也出現(xiàn)了很多基于深度學(xué)習(xí)的目標(biāo)6D位姿估計和測量方法.本文旨在詳細(xì)梳理基于視覺的目標(biāo)位姿估計方法的研究歷史與現(xiàn)狀,分析各類主流方法的主要思路、優(yōu)勢與不足,并對該項技術(shù)未來的發(fā)展方向提出具體的思考和建議.

摘要： 一種魯棒的基于最近鄰特征點匹配的多尺度模板匹配方法，屬于計算機(jī)視覺、圖像處理領(lǐng)域，解決了現(xiàn)有的基于最鄰近點匹配的方法存在，檢測目標(biāo)出現(xiàn)較大尺度縮放時檢測準(zhǔn)確度不夠的問題。本發(fā)明通過對模板圖像和被搜索圖像的像素點提取特征；對像素點間進(jìn)行最近鄰特征匹配；根據(jù)初步匹配的相關(guān)性系數(shù)初步篩選搜索位置；對不同尺度，所有初步篩選搜索位置進(jìn)行模板匹配相關(guān)性計算，并獲得最優(yōu)匹配結(jié)果。本發(fā)明適用于圖像匹配使用。

摘要： 基于模板匹配和孿生神經(jīng)網(wǎng)絡(luò)優(yōu)化的異源圖像匹配方法，屬于計算機(jī)圖像處理領(lǐng)域，解決了目前異源圖像匹配存在的困難及Sobel算子進(jìn)行特征提取時存在的輪廓邊緣較粗、定位精度不高的問題。該方法包括：SAR圖像預(yù)處理；圖像半像素處理；基于Sobel算子的素描圖像轉(zhuǎn)換；模板匹配；孿生神經(jīng)網(wǎng)絡(luò)精匹配。本發(fā)明適用于基于模板匹配對兩幅相同區(qū)域場景的不同大小的異源圖像進(jìn)行匹配的圖像處理操作。本發(fā)明在模板匹配的過程中，將異源圖像進(jìn)行了基于Sobel算子的素描圖像轉(zhuǎn)換，增強(qiáng)了匹配效果，且后續(xù)應(yīng)用改進(jìn)的孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行精匹配，使得異源圖像匹配效果更好，匹配精度更高。

摘要： 一種模板庫結(jié)合非線性模板匹配胎心率提取方法，通過對原始信號進(jìn)行預(yù)處理后進(jìn)行時頻域變換，并采用模板匹配的方式對時頻域內(nèi)信號逐幀評估匹配度，然后以匹配度曲線的峰值的時刻和幅值解算瞬時心率。本發(fā)明使用臨床的多普勒胎心信號數(shù)據(jù)構(gòu)建模板庫，每次檢測從模板庫中選取合適的模板，利用胎心信號與母體干擾的混合特點，降低了模板對母體干擾的敏感度，從而提取瞬時的胎心率。

摘要： 本發(fā)明提供了一種模板匹配方法，包括：獲得模板圖像；通過對模板圖像應(yīng)用變換參數(shù)來生成至少一個模型圖像；從至少一個模型圖像中的每個模型圖像中提取邊緣點；針對每個模型圖像，通過基于像素梯度大小的第一過濾對所提取的邊緣點進(jìn)行過濾，得到對應(yīng)于每個模型圖像的第一像素子集；通過基于像素梯度方向和像素距離的第二過濾對第一像素子集進(jìn)行過濾，得到對應(yīng)于每個模型圖像的第二像素子集；通過計算第二像素子集中的每個像素與待檢測圖像區(qū)域中的對應(yīng)像素之間的相似度，得到每個模型圖像的第一匹配度；以及基于第一匹配度，判斷至少一個模型圖像中的每個模型圖像與待檢測圖像區(qū)域是否匹配。

摘要： 本發(fā)明涉及一種基于二分圖和圖注意力機(jī)制的模板匹配方法，其特征是：構(gòu)建MLF網(wǎng)絡(luò)模塊，用于提取模板圖像和搜索圖像的融合特征；構(gòu)建BGAM網(wǎng)絡(luò)模塊，用于編碼模板節(jié)點與搜索節(jié)點的關(guān)系，并為每個搜索節(jié)點和模板節(jié)點聚合相應(yīng)的局部信息，生成定位模板的響應(yīng)圖；系統(tǒng)，包括網(wǎng)絡(luò)構(gòu)建模塊、學(xué)習(xí)與預(yù)訓(xùn)練模塊和計算與定位模塊。有益效果：本發(fā)明實現(xiàn)了模板圖像和搜索圖像間局部到局部的信息傳遞，MLF網(wǎng)絡(luò)模塊通過融合目標(biāo)不同層次表征意義的特征，提升了對模板目標(biāo)的表示能力。本方法在眾多實際的復(fù)雜場景中都可以準(zhǔn)確穩(wěn)定的實現(xiàn)模板匹配，減少了計算量和顯存占用，利于在工程實踐中部署。

摘要： 基于模板匹配和孿生神經(jīng)網(wǎng)絡(luò)優(yōu)化的異源圖像匹配方法，屬于計算機(jī)圖像處理領(lǐng)域，解決了目前異源圖像匹配存在的困難及Sobel算子進(jìn)行特征提取時存在的輪廓邊緣較粗、定位精度不高的問題。該方法包括：SAR圖像預(yù)處理；圖像半像素處理；基于Sobel算子的素描圖像轉(zhuǎn)換；模板匹配；孿生神經(jīng)網(wǎng)絡(luò)精匹配。本發(fā)明適用于基于模板匹配對兩幅相同區(qū)域場景的不同大小的異源圖像進(jìn)行匹配的圖像處理操作。本發(fā)明在模板匹配的過程中，將異源圖像進(jìn)行了基于Sobel算子的素描圖像轉(zhuǎn)換，增強(qiáng)了匹配效果，且后續(xù)應(yīng)用改進(jìn)的孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行精匹配，使得異源圖像匹配效果更好，匹配精度更高。

摘要： 一種魯棒的基于最近鄰特征點匹配的多尺度模板匹配方法，屬于計算機(jī)視覺、圖像處理領(lǐng)域，解決了現(xiàn)有的基于最鄰近點匹配的方法存在，檢測目標(biāo)出現(xiàn)較大尺度縮放時檢測準(zhǔn)確度不夠的問題。本發(fā)明通過對模板圖像和被搜索圖像的像素點提取特征；對像素點間進(jìn)行最近鄰特征匹配；根據(jù)初步匹配的相關(guān)性系數(shù)初步篩選搜索位置；對不同尺度，所有初步篩選搜索位置進(jìn)行模板匹配相關(guān)性計算，并獲得最優(yōu)匹配結(jié)果。本發(fā)明適用于圖像匹配使用。

摘要： 本發(fā)明提供了基于模板邊緣評分的模板匹配方法、系統(tǒng)、設(shè)備及介質(zhì)，通過根據(jù)待檢測圖像制作模板圖像，并確定模板圖像的中邊緣、內(nèi)邊緣和外邊緣，以及分別獲取中邊緣、內(nèi)邊緣和外邊緣對應(yīng)的像素點坐標(biāo)，并繪制得到對應(yīng)的中邊緣線、內(nèi)邊緣線和外邊緣線后，根據(jù)待檢測圖像的尺寸大小，分別對中邊緣線、內(nèi)邊緣線和外邊緣線進(jìn)行尺寸變換，并根據(jù)變換后的中邊緣線、內(nèi)邊緣線和外邊緣線生成邊緣圖像，再根據(jù)邊緣圖像對待檢測圖像進(jìn)行模板匹配得到匹配結(jié)果的方法，能夠簡單高效的針對各種形狀的目標(biāo)輪廓進(jìn)行模板匹配，不僅能夠有效提高前背景灰度值差異較大應(yīng)用場景的匹配精準(zhǔn)度，而且能增強(qiáng)模板匹配的泛化能力，還能在保證匹配精度的同時提升匹配效率。

摘要： 公開了一種幀間編碼系統(tǒng)和方法，其中采用了可變尺寸的模板匹配?？梢远x頂部模板、左側(cè)模板和左上模板，其中，頂部模板的寬度等于編碼塊的寬度，左側(cè)模板的高度等于編碼塊的高度，但模板的第二維度(高度和寬度)是可變的。接著識別當(dāng)前編碼塊之間的最佳匹配，然后使用FRUC對編碼塊進(jìn)行編碼。

摘要： 一種模板庫結(jié)合非線性模板匹配胎心率提取方法，通過對原始信號進(jìn)行預(yù)處理后進(jìn)行時頻域變換，并采用模板匹配的方式對時頻域內(nèi)信號逐幀評估匹配度，然后以匹配度曲線的峰值的時刻和幅值解算瞬時心率。本發(fā)明使用臨床的多普勒胎心信號數(shù)據(jù)構(gòu)建模板庫，每次檢測從模板庫中選取合適的模板，利用胎心信號與母體干擾的混合特點，降低了模板對母體干擾的敏感度，從而提取瞬時的胎心率。