新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明屬于視頻圖像數(shù)據(jù)處理領(lǐng)域，公開了一種監(jiān)控視頻行人檢測(cè)匹配方法，包括視頻行人目標(biāo)檢測(cè)步驟；幀間同目標(biāo)關(guān)聯(lián)步驟；目標(biāo)序列及待匹配目標(biāo)特征提取步驟；特征相似度計(jì)算步驟和目標(biāo)匹配判別步驟。由于相鄰幀間行人目標(biāo)不會(huì)有太大的位移，本發(fā)明使用被檢測(cè)出的行人的位置信息對(duì)序列連續(xù)幀中的同一目標(biāo)進(jìn)行關(guān)聯(lián)得到目標(biāo)序列；目標(biāo)序列特征提取的方法一是提取目標(biāo)序列多幀的灰度直方圖特征，一是目標(biāo)序列的 PCA 模板，由于都采用了多幀的信息，相

1.痛點(diǎn)問(wèn)題 隨著圖在各領(lǐng)域的廣泛應(yīng)用，對(duì)圖上相關(guān)高效查詢方法的需求也與日俱增，特別是在社交網(wǎng)絡(luò)、金融、電商、安全和航天等眾多領(lǐng)域具有重要作用的子圖匹配查詢。 然而，現(xiàn)有子圖匹配方法在實(shí)際使用中速度均較慢，當(dāng)數(shù)據(jù)量較大時(shí)，現(xiàn)有方法的時(shí)間開銷巨大，難以滿足具體匹配過(guò)程中的時(shí)效性需求。同時(shí)，這些方法沒(méi)有充分利用圖數(shù)據(jù)的本質(zhì)結(jié)構(gòu)特點(diǎn)進(jìn)行剪枝，在運(yùn)行效率上仍有較大的改進(jìn)空間。 2.解決方案 本技術(shù)提出一種基于社區(qū)結(jié)構(gòu)的子圖匹配方法，基于社區(qū)結(jié)構(gòu)在匹配過(guò)程中進(jìn)行剪枝從而加快子圖匹配的速度。流程圖如圖1所示。 圖1 本技術(shù)子圖匹配計(jì)算流程 首先，本技術(shù)識(shí)別數(shù)據(jù)圖中的社區(qū)結(jié)構(gòu)，將數(shù)據(jù)圖劃分為若干“內(nèi)部緊密關(guān)聯(lián)、相互之間連接松散”的社區(qū)。接著，基于社區(qū)結(jié)構(gòu)，提出三種優(yōu)化策略對(duì)子圖匹配過(guò)程進(jìn)行優(yōu)化，并實(shí)現(xiàn)了相關(guān)技術(shù)。 具體地，這三種優(yōu)化策略包括兩階段破對(duì)稱策略、基于社區(qū)路徑的剪枝策略和基于社區(qū)結(jié)構(gòu)的邊界剪枝策略。其中，兩階段破對(duì)稱策略利用模式圖中的自同構(gòu)映射，根據(jù)已得到的若干匹配結(jié)果推斷出新的匹配結(jié)果，從而減少匹配過(guò)程中的計(jì)算量；基于社區(qū)路徑的剪枝策略根據(jù)數(shù)據(jù)圖中的跨社區(qū)的路徑構(gòu)建索引，在匹配過(guò)程中提前發(fā)現(xiàn)無(wú)法產(chǎn)生匹配結(jié)果的匹配嘗試，減少匹配開銷；基于社區(qū)結(jié)構(gòu)的邊界剪枝則考慮各社區(qū)的邊界節(jié)點(diǎn)，即那些和其他社區(qū)的節(jié)點(diǎn)間有邊關(guān)聯(lián)的節(jié)點(diǎn)，根據(jù)邊界節(jié)點(diǎn)的鄰居情況進(jìn)行剪枝，減小搜索空間，加快子圖匹配速度。 基于上述優(yōu)化策略，本技術(shù)提出的基于社區(qū)結(jié)構(gòu)的高效子圖匹配方法能根據(jù)給出的數(shù)據(jù)圖和模式圖快速返回子圖匹配結(jié)果。該技術(shù)可以作為模塊嵌入金融、電商和航天等已有軟件系統(tǒng)，也可作為單獨(dú)軟件工具并支持二次開發(fā)。 3.合作需求 1）應(yīng)用場(chǎng)景：在圖數(shù)據(jù)中快速查找滿足某種特定結(jié)構(gòu)的子圖結(jié)構(gòu)，進(jìn)而作為查詢結(jié)果返回或用于后續(xù)深入分析。可用于包括但不限于社交網(wǎng)絡(luò)、金融、電商、安全和航天等眾多場(chǎng)景中。 2）資源對(duì)接：對(duì)圖查詢、圖分析有需求且對(duì)其高效性有要求的個(gè)人、單位和企業(yè)等。

本發(fā)明公開了一種基于圖像邊緣矢量的匹配方法。利用邊緣的 方向和大小，實(shí)現(xiàn)對(duì)縮放、噪聲、光照變化、局部遮擋、旋轉(zhuǎn)平移等 情況的匹配；提取模板邊緣中有代表性的矢量，與目標(biāo)圖像的邊緣特 征進(jìn)行比較，而不是逐邊緣點(diǎn)比較，大大減少計(jì)算量，具有較好匹配 準(zhǔn)確度；先用金字塔得到較小的模板和目標(biāo)圖像，并采用較大且合適 的參數(shù)步長(zhǎng)，得到較為粗匹配的匹配位置和參數(shù)，再選取更為精細(xì)且 滿足匹配要求的參數(shù)步長(zhǎng)，在粗匹配的結(jié)果基礎(chǔ)上再次搜索匹配，得 到精確的匹配位置和參數(shù)。 

本發(fā)明公開了一種基于 Zernike 矩的圖像匹配方法，包括 S1 建 立 N 層模板金字塔圖像；S2 計(jì)算每層模板圖像的 K 個(gè)矩并建立 RCS 表；S3 建立 N 層目標(biāo)金字塔圖像；S4 通過(guò)查找 RCS 表計(jì)算 N 層中第L 層中每個(gè)目標(biāo)子圖像的 K 個(gè)矩；S5 計(jì)算第 L 層模板金字塔圖像與第 L 層每個(gè)目標(biāo)金字塔圖像子圖像 K 個(gè)矩的相關(guān)系數(shù)，獲得第 L 層目標(biāo) 金字塔圖像匹配點(diǎn)位置；S6 判斷 L 是否等于 1，若是，則進(jìn)入 S8；若 否，則 L＝L-1，進(jìn)入 S7；S7 在第 L 層以

本發(fā)明公開了一種基于圖像邊緣矢量的匹配方法。利用邊緣的方向和大小，實(shí)現(xiàn)對(duì)縮放、噪聲、光照變化、局部遮擋、旋轉(zhuǎn)平移等情況的匹配；提取模板邊緣中有代表性的矢量，與目標(biāo)圖像的邊緣特征進(jìn)行比較，而不是逐邊緣點(diǎn)比較，大大減少計(jì)算量，具有較好匹配準(zhǔn)確度；先用金字塔得到較小的模板和目標(biāo)圖像，并采用較大且合適的參數(shù)步長(zhǎng)，得到較為粗匹配的匹配位置和參數(shù)，再選取更為精細(xì)且滿足匹配要求的參數(shù)步長(zhǎng)，在粗匹配的結(jié)果基礎(chǔ)上再次搜索匹配，得到精確的匹配位置和參數(shù)。

本發(fā)明公開了一種基于 Zernike 矩的圖像匹配方法，包括 S1 建立 N 層模板金字塔圖像；S2 計(jì)算每層模板圖像的 K 個(gè)矩并建立 RCS表；S3 建立 N 層目標(biāo)金字塔圖像；S4 通過(guò)查找 RCS 表計(jì)算 N 層中第L 層中每個(gè)目標(biāo)子圖像的 K 個(gè)矩；S5 計(jì)算第 L 層模板金字塔圖像與第L 層每個(gè)目標(biāo)金字塔圖像子圖像 K 個(gè)矩的相關(guān)系數(shù)，獲得第 L 層目標(biāo)金字塔圖像匹配點(diǎn)位置；S6 判斷 L 是否等于 1，若是，則進(jìn)入 S8；若否 ， 則 L ＝ L 1 ， 進(jìn) 入 S7 ； S7 在 第

本發(fā)明公開了一種基于點(diǎn)線對(duì)偶的圖像匹配方法，包括：從參 考圖像 R 和目標(biāo)圖像 S 中分別提取直線，以得到參考直線集合和目標(biāo) 直線集合，分別將參考直線集合和目標(biāo)直線集合中所有的直線段從圖像 空 間 映 射 到 對(duì) 偶 空 間 ， 以 得 到 參 考 對(duì) 偶 點(diǎn) 集 共有 m 個(gè)對(duì)偶點(diǎn)， 以 及 目 標(biāo) 對(duì) 偶 點(diǎn) 集共有 n 個(gè)對(duì)偶點(diǎn)，分別將參考對(duì)偶點(diǎn)集和目標(biāo)對(duì)偶點(diǎn)集中鄰近 的對(duì)偶點(diǎn)進(jìn)行融合，以得到新的參考對(duì)偶點(diǎn)集和新的目標(biāo)對(duì)偶點(diǎn)集， 估計(jì)新的參考對(duì)偶點(diǎn)集和新的目標(biāo)對(duì)偶點(diǎn)集之間的旋轉(zhuǎn)變換參數(shù)，估 計(jì)新的參考對(duì)偶點(diǎn)集和新的目標(biāo)對(duì)偶點(diǎn)集之間的平移變換參數(shù)。本發(fā) 明等效地把圖像空間中斷裂破碎的多條直線段重新融合為一條直線 段，提高了匹配效率和穩(wěn)定性。 

高校科技成果盡在科轉(zhuǎn)云

本發(fā)明公開了一種快速互相關(guān)灰度圖像匹配方法與裝置，用于 在灰度目標(biāo)圖像中查找目標(biāo)圖案的位置與方向，所述方法包括：對(duì)模 板圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換；獲取灰度目標(biāo)圖像中目標(biāo)圖案的外接盒，將 其定義為目標(biāo)圖案搜索區(qū)；在目標(biāo)圖案搜索區(qū)中選取與模板圖像同樣 大小的匹配區(qū)域，對(duì)所述匹配區(qū)域進(jìn)行極坐標(biāo)轉(zhuǎn)換，計(jì)算所述匹配區(qū) 域一維數(shù)據(jù)與所述模板圖像一維數(shù)組的相關(guān)性；直至對(duì)所有的匹配區(qū) 域均完成相關(guān)性計(jì)算，選取相關(guān)性最大的匹配區(qū)域作為目標(biāo)圖案，獲 取所述目標(biāo)圖案的位置與方向。通過(guò)本發(fā)明方法，從而縮小匹配的搜 索范圍，提高匹配速度，并且通過(guò)極坐標(biāo)形式的歸一化互相關(guān)計(jì)算， 實(shí)現(xiàn)目標(biāo)圖像±180 度全角度匹配。 

本發(fā)明公開了一種基于決策判斷 Hausdorff 距離的圖像匹配方法，包括：（a）讀取模板圖像和待匹配圖像，并獲取相應(yīng)的有限像素點(diǎn)集；（b）設(shè)定匹配閾值和搜索閾值，然后將模板圖像在待匹配圖像中執(zhí)行平移搜索，在此過(guò)程中：當(dāng)兩者之間對(duì)應(yīng)點(diǎn)的最小距離均小于匹配閾值時(shí)，則取所有最小距離的平均值作為兩者之間的 Hausdorff 距離；反之，則取最小距離中的最大值作為兩者之間的 Hausdorff 距離；（c）對(duì)所有搜索點(diǎn)的 Hausdorff 距離取其最小值并與匹配閾值相比較，由