[发明专利]一种基于图匹配的顶点配准方法及装置、存储介质

说明书

本申请涉及一种基于图匹配的顶点配准方法及装置、存储介质，其中顶点配准方法包括：获取目标物体对应的标准物体的标准模板和标准模板的信息搜索范围；通过预设的图匹配算法在标准模板的信息搜索范围内对样本图像中部分已标注的顶点进行匹配，得到顶点匹配结果；根据顶点匹配结果计算样本图像中的目标物体相对于标准模板中的标准物体的变换关系；根据变换关系推断样本图像中其余未标注的顶点的位置信息、角度信息和类别信息；利用样本图像中部分已标注的顶点和样本图像中其余未标注的顶点，对样本图像中的目标物体的各顶点进行配准。技术方案将顶点匹配问题转化为图匹配算法进行求解，能够提高后续配准的准确性和稳定性。

技术领域

本申请涉及图像处理技术领域，具体涉及一种基于图匹配的顶点配准方法及装置、存储介质。

背景技术

近年来，人工智能和大数据成为了国内外各大领域关注的焦点。在计算机视觉领域，基于深度学习的图像算法有着广泛的应用。使用图像和标注信息的一一对应关系来训练卷积神经网络，能够完成分类、目标检测和语义分割等工作。其中，目标检测卷积神经网络在工业上有许许多多的应用，如流水线产品的识别和计数等。

目标检测卷积神经网络(以下简称：目标检测网络)仍然面临的许多难点，如遮挡物体的识别、极端尺度和形状物体的识别；此外，对物体进行方向上的准确识别也是工业机器视觉的一大需求。现有的基于深度学习目标检测算法有YOLO、SSD、RCNN等，这些算法通过搭建CNN(卷积神经网络)并用标注数据进行训练，训练完成后，输入图像至卷积神经网络并输出特征图，通过计算特征图得出检测结果，比如物体的种类、外接矩形的中心坐标和长宽。

在现有的应用中，识别遮挡物体是目标检测的难点之一。一者，优化对识别遮挡物体的技术有：对训练集图像进行增强，如使用噪声随机覆盖图像中待检测的物体的一部分，或随机将图像中待检测的物体的一部分的像素设置为固定像素值(如0)；该方法的缺点是可能对训练数据引入过多噪声，从而使目标检测模型的收敛更加困难，而且对训练数据的处理方式不一定与现实的遮挡相同，因此仍可能得到错误的检测结果。二者，优化多尺度检测的方法有：特征金字塔，通过融合不同尺度的特征图，获得多个感受野不同的特征图，再分别对这些特征图进行分类和方框回归以得到结果；该方法的缺点是增加了计算量，且待识别的物体的形状的长宽比需要在一个适中的区间(一般为1:3到3:1之间)，难以实现对极端长宽比物体的检测。三者，识别物体方向的方法有：在原有的目标检测网络的基础上，增加一个或多个角度回归量，通过训练数据进行拟合，可以识别物体方向；该方法的缺点是需要在标注时额外增加角度的标注，增加了标注的工作量，而且由于增加角度的回归，增大了训练难度。

发明内容

本申请主要解决的技术问题是如何对目标物体上的顶点进行准确配准。为解决上述技术问题，本申请提供一种基于图匹配的顶点配准方法及装置、存储介质。

根据第一方面，一种实施例中提供一种基于图匹配的顶点配准方法，其包括：获取目标物体对应的标准物体的标准模板和所述标准模板的信息搜索范围；所述标准模板包括所述标准物体上所有顶点的位置信息、角度信息和类别信息，所述顶点用于表征物体表面的一个局部特征；所述信息搜索范围用于设定角度、位置、距离缩放尺度的检测范围；获取图像数据集中关于所述目标物体的至少一个样本图像；所述样本图像包括所述目标物体上部分已标注的顶点的位置信息、角度信息和类别信息；通过预设的图匹配算法在所述标准模板的信息搜索范围内对所述样本图像中部分已标注的顶点进行匹配，得到顶点匹配结果；根据所述顶点匹配结果计算所述样本图像中的目标物体相对于所述标准模板中的标准物体的变换关系；根据所述变换关系推断所述样本图像中其余未标注的顶点的位置信息、角度信息和类别信息；利用所述样本图像中部分已标注的顶点和所述样本图像中其余未标注的顶点，对所述样本图像中的所述目标物体的各顶点进行配准。