[发明专利]一种应用于人机协作的基于各向异性过滤的模板匹配方法

权利要求书

1.一种应用于人机协作的基于各向异性过滤的模板匹配方法，其特征在于包括如下步骤：

S1.选择模板匹配算法；

S2.输入初始模板图片和源图片；

S3.根据输入的模板图片，通过各向异性过滤得到若干个层级模板图片集合；

S4.采用层级模板图片集合，通过模板匹配算法，计算集合中最佳匹配的层级；

S5.选择最佳匹配层级中所有模板图片作为输入，通过模板匹配算法，计算得到最佳匹配模板图片并输出匹配结果；

所述的步骤S3，各向异性过滤具体为利用一个模板图片，生成长宽比不同的模板图片，形成一个模板图片集合T，具体包括如下步骤：

A1.维持图片长宽比k不变，对初始的模板图片进行等比例缩小，获得等比变换集合T_mip；

A2.从等比变换集合T_mip中任意组合两两层级，作为图片的长宽大小；

所述的步骤A2，具体为模板图片集合T具体为：

T＝{t_α,β|α,β∈T_mip}

其中，α为初始图片的缩放次数；β为缩放之后图片的长；t_α,β为模板图片；

根据图片的大小，正方形模板图片为单级模板图片，除正方形模板图片之外的为双极模板图片，模板图片t_i,j的单双层级用公式表示为：

其中，{L(α)}为单级模板图片，{L(α),L(β)}为双极模板图片，i为模板图片的长，j为模板图片的宽；

所述的步骤S4具体包括将单级模板图片从小到大依次计算模板最佳匹配度

其中，最佳匹配度表示模板图片t_i,j在源图片S_I,J的坐标(X,Y)处，匹配度最大；R(X,Y)为匹配计算函数；

R(X,Y)具体为：

其中，x'表示模板图片横坐标；y'表示模板图片纵坐标；t'(x',y')表示模板图片此坐标像素的灰度相对值：

其中，i为模板图片的长，j为模板图片的宽；t(x',y')表示模板图片此坐标像素的灰度值；t(x”,y”)表示模板图片此坐标像素的灰度值；x”表示模板图片的横坐标；y”表示模板图片的纵坐标；

s'(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片坐标x',y'偏移的像素相对灰度值：

其中，I为源图片的长；J为源图片的宽；s(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片偏移(x',y')的像素灰度值；s(X+x”,Y+y”)表示源图片在坐标(X,Y)上相对模板图片偏移(x”,y”)的像素灰度值；x”表示模板图片的横坐标；y”表示模板图片的纵坐标；

步骤S4，集合中最佳匹配的层级具体为，若当前模板图片t_i',j'的最佳匹配度大于0.8，则当前模板图片最佳匹配层级为并表示为Level'；

所述的步骤S5具体包括，获得与Level'交集非空的所有模板图片集合T'：

其中，为模板图片t_i,j的单双层级，Level'为当前模板图片t_i',j'最佳匹配层级；

计算得到所有模板图片集合T'中匹配度最高的模板，并获得匹配结果(X,Y)：

其中，为最佳匹配度；t_i,j为模板图片；T'为所有模板图片集合。

2.根据权利要求1所述的应用于人机协作的基于各向异性过滤的模板匹配方法，其特征在于所述的步骤S1，具体包括，模板匹配算法包括平方差匹配算法、相关匹配算法和标准相关匹配算法；其中，相关匹配算法将模板对均值的相对值和图像对均值的相对值进行匹配；1表示完美匹配，-1表示糟糕的匹配，0表示没有任何相关性；同时令t_i,j为模板图片，i为模板图片的长，j为模板图片的宽；S_I,J为源图片，I为源图片的长，J为源图片的宽，i＜I,j＜J；图片为像素点的集合，并计算像素点的灰度值θ。