基于模板匹配的图像时间标识的识别方法与流程

本发明属于图像处理和计算机视觉，尤其涉及一种基于模板匹配的图像时间标识的识别方法。

背景技术：

1、随着人工智能技术的不断进步和发展，机器视觉作为人工智能的重要分支正逐渐扩大其应用范围。越来越多的企业开始开发和训练适用于各自领域的机器视觉算法。在图像处理和计算机视觉领域，识别图像中特定区域的需求日益增加。特定区域的识别可以用于图像内容分析、物体检测、图像安全等方面。其中，针对图像中的时间标识区域的识别和管理具有重要意义，可用于版权保护、内容审核等场景。现有技术主要包括图像处理、模式匹配、目标检测等方法。

2、现有技术中最接近本发明的是基于模板匹配和图像处理的方法。该方法通过事先准备好的时间标识模板，对图像进行模板匹配，从而识别出图像中的时间标识区域。具体步骤包括：

3、1、模板准备：从一系列图片中提取出包含时间标识的区域作为模板，对模板进行预处理，如灰度化、边缘检测等。

4、2、图像预处理：对待识别的图像进行预处理，包括灰度化、去噪等，以减少干扰。

5、3、模板匹配：使用模板匹配算法，在图像中搜索与模板匹配的区域，以确定是否存在时间标识。常用的匹配算法有平方差匹配、归一化互相关匹配等。

6、4、区域检测：对匹配结果进行后处理，如阈值筛选、形态学操作等，以得到最终的时间标识区域。

7、虽然该方法可以实现对时间标识区域的识别，但仍存在以下问题：对光照、角度等因素敏感，鲁棒性不足；需要事先准备好的模板，对于不同类型的时间标识可能需要不同的模板；对于模糊或变形的时间标识，识别效果较差。具体地，现有技术对光照和背景的敏感性导致识别准确性降低：在识别特定区域时往往对光照和背景变化非常敏感，这可能导致识别结果的准确性受到影响。例如，光照强度的变化或者背景的复杂性可能导致算法无法正确地定位时间标识区域。同时人工干预成本高：现有方法可能需要大量的人工干预，包括事先准备好的模板和手动设置参数等。这增加了系统的成本和复杂度，同时也限制了系统的实际应用范围。常规方法会导致文字覆盖时间区域，识别不到对应的时间区域。

8、因此，有必要提供一种基于模板匹配的图像时间标识的识别方法，提高时间标识区域的识别准确性和鲁棒性，降低对人工干预的依赖，并实现对时间标识区域的自动保护和管理。

技术实现思路

1、本发明要解决的技术问题是，提供一种基于模板匹配的图像时间标识的识别方法，提高时间标识区域的识别准确性和鲁棒性，降低对人工干预的依赖，并实现对时间标识区域的自动保护和管理，提高了系统的自动化程度。

2、为了解决上述技术问题，本发明采用的技术方案是：该基于模板匹配的图像时间标识的识别方法，具体包括以下步骤：

3、s1图像预处理：输入图像，并对图像进行预处理，便于后续的特征提取和模板匹配；

4、s2特征提取与模板匹配：使用多种算法从所述图像中提取关键特征点或描述子，并与预先定义的时间标识模板进行匹配，得到模板匹配结果；

5、s3区域检测与文字保护：根据模板匹配结果，采用区域生长算法检测时间标识区域，并在所述时间标识区域内进行文字保护，以避免文字覆盖时间标识区域，保证时间信息的清晰可见性；获得处理后的图像结果；

6、s4输出图像：输出处理后的图像结果，完成时间标识区域的识别和保护。

7、采用上述技术方案，首先对图像进行预处理，再进行特征提取和模板匹配，区域检测和文字写入，其中时间标识区域得到了准确识别并受到了保护，确保了时间信息的清晰可见性。该方法实现对图像中特定时间标识区域的准确识别和自动管理，通过自动化算法降低了人工干预成本，提高了识别准确性和系统的自动化程度。

8、优选地，所述步骤s1中图像预处理的方式包括灰度化、去噪和边缘增强；具体步骤为：

9、s11：首先，将输入的彩色图像转换为灰度图像，以减少计算量和提高处理速度；

10、s12：再采用高斯滤波器对图像进行去噪处理，以消除图像中的噪声；

11、s13：使用边缘增强算法增强图像中的边缘信息，以便后续的特征提取和匹配。

12、优选地，所述步骤s11中采用平均值法、加权平均法、最大值法和最小值法进行图像灰度化处理；

13、所述步骤s12中采用高斯滤波器进行去噪处理的方式包括均值滤波、中值滤波和高斯滤波；其中所述均值滤波的计算公式为：

14、

15、其中，x表示水平方向的坐标，y表示垂直方向的坐标，m和n分别表示均值滤波核的大小，i表示滤波器中心像素相对于当前像素位置的水平方向的偏移量，j表示滤波器中心像素相对于当前像素位置的垂直方向的偏移量；在所述均值滤波核中，m表示核的行数，n表示核的列数；表示对所述均值滤波核中的所有像素进行加权求和后取平均值；∑表示对滤波核中的每个像素进行求和；i(x+i,y+j)表示原始图像中位置(x+i,y+j)处的像素值；表示均值滤波后图像中位置(x,y)处的像素值，它是通过将原始图像中位置(x,y)周围的像素值进行求和取平均得到的；

16、所述高斯滤波的公式如下：

17、

18、其中，x表示水平方向的坐标，y表示垂直方向的坐标，σ表示高斯函数的标准差，i表示滤波器中心像素相对于当前像素位置的水平方向的偏移量，j表示滤波器中心像素相对于当前像素位置的垂直方向的偏移量；用来控制高斯核的形状和大小；k表示高斯核的半径，即滤波核的大小；exp表示自然指数函数，用来计算高斯核中每个像素的权重；∑表示对滤波核中的每个像素进行求和；(x+i,y+j)表示原始图像中位置(x+i,y+j)处的像素值；表示高斯滤波后图像中位置(x,y)处的像素值，它是通过将原始图像中(x,y)周围的像素值按照高斯核进行加权求和得到的；

19、所述步骤s13中所述边缘增强采用sobel算子和canny边缘检测，其中所述sobel算子是通过对图像进行卷积操作来检测图像中的边缘；所述canny边缘检测是利用多级的边缘检测算法来检测图像中的边缘。

20、其中灰度化处理的技术原理：灰度化操作将彩色图像转换为灰度图像，去除了颜色信息，仅保留了图像的亮度信息。这样可以简化后续处理步骤，并且适用于大多数图像处理算法；通常采用以下几种常见的灰度化方法：(1)平均值法：将彩色图像的每个像素的r、g、b通道的值取平均作为灰度值；(2)加权平均法：将彩色图像的每个像素的r、g、b通道的值按照一定权重进行加权平均得到灰度值；(3)最大值法、最小值法：分别取彩色图像的r、g、b通道中的最大值或最小值作为灰度值。灰度化后的图像更加简化，适合后续处理，同时保留了图像的主要信息。

21、去噪操作用于消除图像中的噪声，提高图像质量和特征提取的准确性。常见的图像噪声包括高斯噪声、椒盐噪声等。常见的去噪方法包括：(1)均值滤波：用像素周围邻域的均值来代替该像素的值；(2)中值滤波：用像素周围邻域的中值来代替该像素的值；(3)高斯滤波：利用高斯函数对像素周围邻域进行加权平均。去噪后的图像更加清晰，有助于提高后续处理步骤的准确性。

22、边缘增强操作用于增强图像中的边缘信息，使得特征提取算法更容易检测到关键特征点。常见的边缘增强方法包括：(1)sobel算子：通过对图像进行卷积操作来检测图像中的边缘。(2)canny边缘检测：利用多级的边缘检测算法来检测图像中的边缘。边缘增强后的图像边缘更加清晰，有助于提高特征提取算法的准确性和稳定性。

23、优选地，所述步骤s2的具体步骤为：

24、s21特征提取：采用尺度不变特征变换(sift)、加速稳健特征(surf)和orb算法进行特征提取，获得图像中的特征点；

25、s22模板匹配：将预先准备好的时间标识模板与图像中的特征点进行匹配，以确定图像中的时间标识区域。

26、在预处理后的图像上，采用特征提取算法提取图像中的特征点或特征描述子。常用的特征提取方法包括sift(尺度不变特征变换)、surf(加速鲁棒特征)等。这些特征将用于后续的模板匹配。

27、其中sift算法通过检测图像中的局部极值点，并根据图像的梯度信息构建描述子，从而实现尺度不变和旋转不变的特征提取；实现方法：(1)关键点检测：在不同尺度和方向上检测图像中的极值点；(2)关键点定位：通过拟合高斯曲面来精确定位关键点的位置；(3)方向分配：为每个关键点分配主方向，以实现旋转不变性；(4)描述子生成：根据关键点周围的梯度信息生成特征描述子。sift算法能够提取出稳定的、尺度不变和旋转不变的特征点，适用于大多数图像场景。

28、surf算法通过对图像的积分图像进行快速计算，检测图像中的局部特征点，并生成描述子。实现方法：(1)关键点检测：通过hessian矩阵的行列式来检测图像中的局部最大值；(2)关键点定位：利用hessian矩阵的曲率信息进行关键点定位；(3)方方向分配：为每个关键点分配主方向，以实现旋转不变性；(4)描述子生成：通过计算图像中的haar特征来生成描述子。surf算法在速度和稳健性方面优于sift算法，能够快速、准确地提取图像中的特征点。

29、orb算法结合了fast关键点检测和brief描述子生成，实现了快速、稳健的特征提取。实现方法：(1)关键点检测：采用fast算法快速检测图像中的关键点；(2)方向分配：为每个关键点分配主方向，以实现旋转不变性；(3)方描述子生成：采用brief算法生成二进制描述子。效果说明：orb算法结合了快速和稳健的特点，适用于实时图像处理和计算资源有限的场景。

30、优选地，所述步骤s22中模板匹配的具体步骤为：

31、s221：首先创建时间标识模板并保存，再读取时间标识模板和待匹配的图像进行预处理；

32、s222：后寻找时间标识模板并获取时间标识模板的轮廓，遍历待匹配图像进行仿射变换；

33、s223：再计算时间标识模板和图像中的特征点之间的相似度；具体为采用的匹配算法为归一化互相关匹配(ncc)，首先计算时间标识模板和图像中的特征点之间的相似度即相关系数，再对所述相关系数进行阈值筛选，得到模板匹配结果。

34、优选地，所述步骤s223中相似度的度量方法包括平方差匹配、相关性匹配和归一化互相关匹配；所述平方差匹配具体为：计算模板图像$t$和输入图像局部区域$i(x,y)$之间的像素差的平方和；计算公式为：

35、d(x,y)＝∑x′,y′[i(x′,y′)-t(x+x′,y+y′)]2；

36、其中，x表示水平方向的坐标，y表示垂直方向的坐标，d(x,y)表示在位置(x,y)处的差异度或误差度量；∑x',y'表示对所有的(x',y')组合进行求和，是对一个固定大小的区域内的像素进行求和；t(x+x',y+y')表示另一张图像中位置(x+x',y+y')处的像素值；方括号内的表达式[i(x',y')-t(x+x',y+y')]2表示在相同位置的像素值之间的差异或误差的平方。

37、模板匹配的基本原理是计算模板图像和输入图像的局部区域之间的相似度，从而找到最相似的位置作为匹配结果。常见的相似度度量方法包括平方差匹配、相关性匹配和归一化互相关匹配。模板匹配技术能够准确、快速地在输入图像中找到与给定模板最相似的区域，适用于目标检测、图像配准等应用场景。不同的相似度度量方法适用于不同的场景，选择合适的方法能够提高匹配的准确性和稳定性。

38、优选地，所述步骤s3的具体步骤为：

39、s31：根据模板匹配结果，利用区域生长算法对匹配结果进行分割，并定位时间标识区域；

40、s32：检查时间标识区域与文字区域的重叠情况，并在所述时间标识区域内进行文字保护，若存在重叠，则进行调整，若不存在重叠，则保存图像结果，即获得处理后的图像结果。区域检测的基本原理是从图像中的某一种子区域出发，通过一定的生长准则逐步生长或扩展，直到满足停止准则为止，形成一个连通的区域。常用的区域检测算法包括区域生长算法和区域分裂合并算法。区域生长算法能够在图像中寻找到具有连通性且相似的像素区域，适用于图像分割、目标检测等应用场景。区域生长算法的生长准则决定了算法的生长方式和结果，合适的生长准则能够提高算法的准确性和稳定性。

41、优选地，所述步骤s31中采用基于阈值分割的区域生长算法对匹配结果进行分割，具体步骤为：

42、s311：选择种子点，初始化种子点，对种子点进行生长，判断领域像素是否满足生长条件，若满足则转至步骤s312，若不满足，则停止生长；

43、s312：进行邻域像素的生长，再检查是否达到生长停止条件，若达到生长条件，则结束区域检测。

44、优选地，所述步骤s311中对种子点进行生长具体为：从种子点开始通过生长准则将与种子点相邻且满足某种相似度条件的像素逐步加入到区域中，直到达到生长停止条件为止。设计了保护机制，确保时间标识区域不受其他内容的覆盖或篡改，保证时间信息的准确性和可靠性。

45、优选地，所述步骤s311中的所述生长准则的公式为：

46、|i(xi,yi)-i(xs,ys)|<t；

47、其中，x表示水平方向的坐标，y表示垂直方向的坐标，i(xi,yi)表示待生长像素；i(xs,ys)种子像素的灰度值；t表示生长的阈值。

48、与现有技术相比，本发明具有的有益效果为：

49、(1)提高识别准确性：通过改进识别算法，提高对光照和背景变化的鲁棒性，以实现更准确的时间标识区域识别；通过改进的图像区域检测技术有效检测图像中的目标区域，特别是左上角和右上角的时间标识区域，通过步骤s1～s3实现的时间区域识别；采用了改进的图像处理和区域检测算法，能够准确识别和定位图像中的时间标识区域，避免了因误差导致的信息不准确或不完整的问题；

50、(2)降低人工干预成本：通过自动化的识别和管理方法，减少对人工标注和设置参数的依赖，降低系统的成本和复杂度；提高了工作效率；

51、(3)增强系统的实用性和可靠性：通过提高系统的自动化程度和准确性，增强系统在实际应用中的可靠性和稳定性，从而更好地满足用户的需求；

52、(4)稳定性强：经过多次测试和验证，本发明的算法具有较强的稳定性和可靠性，对于不同类型的图像和场景都能够表现良好，保证了系统的稳定运行；

53、(5)灵活性和通用性：适用于各种类型的图像和时间标识区域，具有较强的灵活性和通用性，能够满足不同用户的需求；

54、(6)保护隐私和版权：通过文字保护功能，本发明可以有效防止文字或背景图片覆盖到时间标识区域，保护了时间信息的隐私和版权；

55、(7)成本效益高：相比传统的人工处理方式，本发明的自动化处理方案成本更低，效率更高，具有较高的成本效益。