一种图像匹配方法、装置、设备及存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像匹配方法、装置、设备及存储介质。

背景技术

图像匹配方法是通过对图像内容、特征、结构、关系、纹理及灰度等的对应关系，通过相似性和一致性的分析，寻求相似图像目标的方法。目前，图像匹配方法在目标识别、工件精确定位、视频跟踪等领域中得到广泛应用。

常用的图像匹配方法有基于灰度的图像匹配方法和基于特征的图像匹配方法。基于特征的图像匹配方法的两个关键步骤是特征提取和匹配，传统采用Harris算法提取角点，并将角点作为特征点进行匹配的方法，对于角点信息较少的具有一定形状的图像，匹配结果不够准确，且存在特征点冗余导致计算量大的问题。

发明内容

本发明实施例提供一种图像匹配方法、装置、设备及存储介质，以实现能够基于图像的角点信息和边缘特征信息进行图像匹配，解决传统特征点匹配方法对特征点较少且具有一定形状的图像，匹配准确度不高的问题，提升具有一定形状的图像的匹配准确度。

第一方面，本发明实施例提供了一种图像匹配方法，包括：

获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；

根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；

根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

第二方面，本发明实施例还提供了一种图像匹配装置，该装置包括：

获取模块，用于获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；

计算模块，用于根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；

确定模块，用于根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的图像匹配方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的图像匹配方法。

本发明实施例通过获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点，能够基于图像的角点信息和边缘特征信息进行图像匹配，解决传统特征点匹配方法对特征点较少且具有一定形状的图像，匹配准确度不高的问题，提升具有一定形状的图像的匹配准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例一中的一种图像匹配方法的流程图；

图2a是本发明实施例二中的一种图像匹配方法的流程图；

图2b是本发明实施例二中的模板图像库的结构示意图；

图2c是本发明实施例二中的另一种图像匹配方法的流程图；

图3是本发明实施例三中的一种图像匹配装置的结构示意图；

图4是本发明实施例四中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例一

图1为本发明实施例一提供的一种图像匹配方法的流程图，本实施例可适用于基于特征点和形状匹配图像的情况，该方法可以由本发明实施例中的图像匹配装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

S110，获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点。

其中，模板图像是用于和其他图像进行匹配的图像样本，模板特征点集为模板图像中具有关键信息的特征点的集合，例如边缘信息、角点信息和灰度信息，模板图像的模板特征点集包括：模板显著角点和模板边缘特征点。

其中，待搜索图像可以是图像库中的所有图像，也可以是图像库中指定类型的图像。待搜索图像的目标特征点集包括：目标显著角点和目标边缘特征点。

示例性的，获取模板图像的模板特征点集的方式可以为通过角点检测算法提取模板图像的模板候选角点，从所述模板候选角点中去除伪特征点得到模板显著角点，通过边缘检测算法在模板显著角点的邻域内提取模板边缘特征点，根据所述模板显著角点和所述模板边缘特征点确定模板图像的模板特征点集。类似的，获取待搜索图像的目标特征点集的方式可以为通过角点检测算法提取待搜索图像的目标角点，从所述目标角点中去除伪特征点得到目标显著角点，通过边缘检测算法在目标显著角点的邻域内提取目标边缘特征点，根据所述目标显著角点和所述目标边缘特征点确定待搜索图像的目标特征点集。其中，角点检测算法可以为Harris角点检测算法，所述边缘检测算法可以为基于Sobel算子的边缘检测算法，本发明实施例对此不设限制。

可选的，在获取模板图像的模板特征点集和待搜索图像的目标特征点集之前，还包括：

对模板图像和待搜索图像进行去噪处理。

示例性的，采用自适应参数估计的分离式加速双边滤波器对模板图像和待搜索图像进行去噪处理。该滤波器是在经典高斯滤波算法的基础上设计出来的非线性滤波器，具有非迭代、局部和简单等特性。

对模板图像和待搜索图像进行去噪处理的具体过程可以为：首先，采用局部加权平均的双边滤波方法获取去噪处理后的图像的像素值，公式如下：

其中，

加权系数ω(i,j)由空间邻近度因子ω

需要说明的是，对ω

水平方向上的亮度相似度因子为：

垂直方向上的亮度相似度因子为：

其中，σ

其中，HD＝(1,-2,1)是与拉普拉斯滤波器相关的高通滤波器，*表示先卷积后1/2下采样计算；H和W分别表示图像的高和宽，所述图像包括：模板图像和待搜索图像。

S120，根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量。

其中，目标相似度度量可以为相似度度量的最大值，也可以为大于预设阈值的相似度度量；目标相似度度量可以根据实际需求设定。

示例性的，根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量的方式可以为从待搜索图像的左上角开始，将所述模板图像在待搜索图像上遍历，逐个像素点计算目标相似度度量；还可以为对模板图像和待搜索图像分别进行降采样分层得到层级模板图像和层级待搜索图像，由上至下，由粗至精依次计算每一层级模板图像和对应层级待搜索图像的相似度度量，直到得到模板图像的最底层级图像和待搜索图像的最底层级图像的目标相似度度量，即模板图像的原始图像和待搜索图像的原始图像的目标相似度度量。

S130，根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

示例性的，若模板图像的模板特征点和待搜索图像的目标特征点计算得到相似度度量为目标相似度度量，则确定所述目标特征点为匹配特征点，获取匹配特征点的位置坐标，并在待搜索图像中显示匹配特征点。

本实施例的技术方案，通过获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点，能够基于图像的角点信息和边缘特征信息进行图像匹配，解决传统特征点匹配方法对特征点较少且具有一定形状的图像，匹配准确度不高的问题，提升具有一定形状的图像的匹配准确度。

实施例二

图2a为本发明实施例二中的一种图像匹配方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，获取模板图像的模板特征点集，包括：获取模板图像的模板特征点和旋转角度；若所述模板特征点的个数大于第一预设点数，则将所述模板图像进行金字塔降采样分层，得到层级模板图像；根据所述旋转角度对每个层级模板图像的模板特征点进行角度变化，得到模板图像的模板特征点集。获取待搜索图像的目标特征点集，包括：获取待搜索图像和所述模板图像对应的层级模板图像的层数；根据所述层数对所述待搜索图像进行金字塔降采样分层得到层级待搜索图像；提取每个层级待搜索图像的目标特征点；根据所述目标特征点确定所述待搜索图像的目标特征点集。

如图2a所示，本实施例的方法具体包括如下步骤：

S210，获取模板图像的模板特征点和旋转角度。

其中，模板图像的模板特征点包括模板显著角点和模板边缘特征点。

其中，旋转角度可以是以预设角度为单位旋转360度，旋转角度例如可以是为1度、2度......360度；或者可以是2度、4度......360度，旋转角度可以根据实际需求设定，本发明实施例对此不设限制。设定旋转角度的作用是为了示模板图像的角度和待搜索图像的角度一致。

具体的，获取模板图像的模板特征点的方式可以为提取模板图像的模板候选角点，并提取所述模板显著角点在邻域内的模板边缘特征点，根据模板显著角点和模板边缘特征点确定模板图像的模板特征点。

可选的，获取模板图像的模板特征点，包括：

提取所述模板图像的模板候选角点；

获取所述模板候选角点的邻域；

若所述模板候选角点为邻域内的极大值点，则将所述模板候选角点确定为模板显著角点；

提取所述模板显著角点在所述邻域内的模板边缘特征点；

对所述模板边缘点进行采样得到模板特征边缘点；

根据所述模板显著角点和所述模板边缘特征点，确定所述模板图像的模板特征点。

其中，模板图像的大小可以是(2m+1)×(2m+1),m＝1,2,3…，若模板大小为3×3，则所述邻域为像素点周围的8个像素点。

示例性的，通过Harris角点检测算法提取模板图像的模板候选角点，从所述模板候选角点中去除伪特征点得到模板显著角点，通过基于Sobel算子的边缘检测算法在模板显著角点的邻域内提取模板边缘点，对所述模板边缘点进行采样得到模板特征边缘点，采样的方式可以为等间隔随机采样或非等间隔随机采样，根据所述模板显著角点和所述模板边缘特征点构成所述模板图像的模板特征点。所述模板图像的模板特征点综合了图像的角点特征和边缘特征，可以充分体现图像的角点信息和边缘特征信息。

示例性的，通过Harris角点检测算法提取模板图像的模板候选角点的具体步骤为：计算模板图像I(x,y)在x方向的梯度I

其中，β(u,v)是以点(u,v)为中心的窗口函数，一般取高斯加权函数，w(x,y)为模板图像的像素点，M(x,y)是角点的梯度协方差矩阵。矩阵M(x,y)和窗口函数β(u,v)的公式如下所示：

设λ

H＝det M-k·(traceM)

det M＝λ

traceM＝λ

其中，H为特征点的响应度，detM为矩阵的行列式，traceM为矩阵的迹；k为常值权重系数，一般取0.04～0.06。

可选的，若所述模板候选角点为邻域内的极大值点，则将所述模板候选角点确定为模板显著角点，包括：

获取所述模板候选角点的第一梯度；

获取所述模板候选角点在邻域内的目标梯度方向上的第二梯度；

若所述第一梯度大于所述第二梯度，则所述模板候选角点为所述邻域内的极大值点，将所述模板候选角点确定为模板显著角点。

其中，目标梯度方向可以包括模板候选角点的邻域范围内水平梯度方向、垂直梯度方向、-45°梯度方向和45°梯度方向；或者可以包括其他梯度方向。

示例性的，对于3×3的模板图像，获取模板候选角点的第一梯度和模板候选角点在邻域内的水平梯度方向、垂直梯度方向、-45°梯度方向和45°梯度方向上的第二梯度，若模板候选角点梯度值大于邻域内梯度方向上的两个像素点的梯度值时，该模板候选角点即为8个点像素点的邻域内的极大值点，确定所述模板候选角点为显著特征点；若模板候选角点梯度值小于或等于邻域内梯度方向上的两个像素点的梯度值时，则将所述模板候选角点从模板候选角点中剔除。

S220，若所述模板特征点的个数大于第一预设点数，则将所述模板图像进行金字塔降采样分层，得到层级模板图像。

其中，第一预设点数可以根据实际需求设定，本发明实施例对此不设限制，如可以根据模板图像尺寸确定。

具体的，若模板特征点的个数大于第一预设点数，则对模板图像进行金字塔自适应降采样分层，直到模板特征点的个数小于或等于第一预设点数，得到层级模板图像，记录此时的金字塔层数，即模板图像的层数。

S230，根据所述旋转角度对每一层级模板图像的模板特征点进行角度变化，得到模板图像的模板特征点集。

具体的，根据旋转角度对每一层级模板图像的特征点进行旋转，得到不同角度的层级模板特征点，所述不同角度的层级模板特征点构成模板特征点集。若旋转角度的个数为E，模板图像的层数为F，则模板图像特征点集包括E×F个模板图像对应的特征点。

示例性的，根据所述旋转角度对每一层级模板图像的模板特征点进行角度变化的方式可以：

其中，(x,y)为角度变化前层级模板图像的像素点坐标，(x′,y′)为角度变化后层级模板图像的像素点坐标，l为引入的中间变量向量的长度，α为中间变量向量的水平夹角，θ为旋转角度。

需要说明的是，将这些模板特征点集的信息存储到多重嵌套高效数据中即可完成模板图像库的构建。此数据结构是构建的模板图像与后续匹配过程连接的桥梁，采用无序图嵌套容器的方式构建数据结构，最外层为金字塔层数，次外层为不同的角度，最内层为特征点集，整体结构如图2b所示，通过设计所述数据结构可进一步提高算法运算过程的数据访问速度，提升算法效率。

S240，获取待搜索图像的目标特征点集。

可选的，获取待搜索图像的目标特征点集，包括：

获取待搜索图像和所述模板图像对应的层级模板图像的层数；

根据所述层数对所述待搜索图像进行金字塔降采样分层得到层级待搜索图像；

提取每个层级待搜索图像的目标特征点；

根据所述目标特征点确定所述待搜索图像的目标特征点集。

示例性的，根据模板图像对应的层级模板图像的层数对所述待搜索图像进行金字塔降采样分层得到层级待搜索图像，并获取每个层级待搜索图像的目标特征点，根据所述不同层级的待搜索图像的目标特征点构成目标特征点集。其中，获取每个层级待搜索图像的目标特征点的方式和获取模板图像的模板特征点的方式相同，对此不作赘述。

可选的，所述提取每个层级待搜索图像的目标特征点，包括：

提取所述层级待搜索图像的目标候选角点；

若所述目标候选角点为邻域内的极大值点，则将所述目标候选角点确定为目标显著角点；

提取所述目标显著角点在所述邻域内的目标边缘点；

对所述目标边缘点进行采样得到目标边缘特征点；

根据所述目标显著角点和所述目标边缘特征点，确定所述待搜索图像的目标特征点。

示例性的，通过Harris角点检测算法提取待搜索图像的目标候选角点，从所述目标候选角点中去除伪特征点得到目标显著角点，通过基于Sobel算子的边缘检测算法在目标显著角点的邻域内提取目标边缘点，对所述目标边缘点进行采样得到目标特征边缘点，采样的方式可以为等间隔随机采样或非等间隔随机采样，根据所述目标显著角点和所述目标边缘特征点构成所述待搜索图像的目标特征点。所述模板图像的目标特征点综合了图像的角点特征和边缘特征，可以充分体现图像的角点信息和边缘特征信息。

S250，根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量。

其中，目标相似度度量为模板图像的最底层级图像的模板特征点集和待搜索图像的最底层级图像的目标特征点集的最大相似度度量。

具体的，根据所述模板图像对所述待搜索图像的每一像素点进行遍历可以为根据模板图像的每一层级图像对待搜索图像的对应层级图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量，实现由粗匹配到精匹配的过程，最终确定模板图像的最底层级图像的模板特征点集和待搜索图像的最底层级图像的目标特征点集的最大相似度度量。

可选的，根据模板图像对待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量，包括：

根据模板图像的最高层级图像对待搜索图像的最高层级图像的每一像素点进行遍历；

计算所述模板图像的最高层级图像的模板特征点集和所述最高层级模板图像区域对应的所述目标特征点集的第一相似度度量，确定所述第一相似度度量最大值对应的匹配点位置；

根据所述匹配点位置依次确定待搜索图像的下一层级图像的待匹配区域，直到确定待搜索图像的最底层级图像的待匹配区域；

计算所述模板图像的最底层级图像的模板特征点集和所述待匹配区域对应的所述目标特征点集的第二相似度度量，将所述第二相似度度量的最大值确定为目标相似度度量。

示例性的，根据模板图像的最高层级图像对待搜索图像的最高层级图像的每一像素点进行遍历，计算所述模板图像的最高层级图像的模板特征点集和所述模板图像区域对应的所述目标特征点集的第一相似度度量，确定所述第一相似度度量最大值对应的匹配点位置，根据预设映射策略将匹配点位置映射到待搜索图像的次高层级图像，得到待搜索图像的次高层级图像的待匹配区域。根据模板图像的次高层级图像对待搜索图像的次高层级图像的每一像素点进行遍历，计算模板图像的次高层级图像的模板特征点集和所述模板图像区域对应的所述目标特征点集的相似度度量，根据相似度度量的最大值确定下一层级的待匹配区域，以此类推，直到确定待搜索图像的最底层级图像的待匹配区域。计算所述模板图像的最底层级图像的模板特征点集和所述待匹配区域对应的所述目标特征点集的第二相似度度量，将所述第二相似度度量的最大值确定为目标相似度度量。

示例性的，根据所述匹配点位置依次确定待搜索图像的下一层级图像的待匹配区域的映射策略可以为：

其中，(x

可选的，若所述模板特征点和层级模板图像区域对应的目标特征点的相似度度量满足第一终止条件，则终止当前像素点的相似度量计算；

所述第一终止条件包括：

s

其中，s

在图像匹配的过程中，为了快速定位到模板图像和待搜索图像的实际匹配位置，在非可能目标位置相似度量值可以不必完全计算，在满足截止条件是，提前结束当前像素点的相似度量计算，可以加快匹配速度。

可选的，若层级模板图像区域内的所述第一特征点和所述层级模板图像区域对应的待搜索图像的第二特征点的相似度度量满足第二终止条件，则终止当前像素点的相似度量计算：

所述第二终止条件包括：

s

其中，f＝(1-gs

这样设置的好处在于：对于存在遮挡和隐藏的待搜索图像，通过不同的阈值进行终止判断，通过预先设定贪婪度系数g实现前n-j项采用严格的阈值判断终止条件，后j项采用宽松的阈值判断终止条件。优选的，贪婪度系数g设置为0.9。

S260，根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

如图2c所示，本实施例的技术方案的具体步骤为：第一步，提取模板图像的特征点。对模板图像进行滤波去噪处理后，通过Harris角点检测算法提取模板图像的候选角点，根据候选角点局部区域的非极大值抑制方法，保留最大响应度的候选角点作为显著角点；通过边缘检测算法在显著角点的邻域内提取边缘特征点，并采用等间隔采样策略筛选边缘特征点，根据显著角点和边缘特征点确定待搜索图像的特征点集。

第二步，对模板图像进行尺度变化得到模板图像的特征点集并构成模板库。通过金字塔自适应分层方法对应模板图像进行分层和角度旋转，得到多尺度多角度模板图像特征点集。

第三步，提取待搜索图像的特征点集。依据模板图像的层数对待搜索图像进行分层，并获取每层待搜索图像的特征点集，计算所述每层模板图像的模板特征点集和对应层级的模板图像区域对应的待搜索图像的特征点集的相似度度量，若满足终止条件，则提前结束当前像素点的相似度度量计算。

第四步，根据映射策略确定匹配位置。根据映射策略由粗匹配至精匹配逐步确定最底层模板图像和最底层待搜索图像的匹配位置点，在待搜索图像中显示匹配点的位置。

本实施例的技术方案，通过获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点，能够基于图像的角点信息和边缘特征信息进行图像匹配，解决传统特征点匹配方法对特征点较少且具有一定形状的图像，匹配准确度不高的问题，提升具有一定形状的图像的匹配准确度，并且从角点信息中进一步提取显著角点可以提高匹配效率。

实施例三

图3为本发明实施例三提供的一种图像匹配装置的结构示意图。本实施例可适用于基于特征点和形状匹配图像的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供图像匹配的功能的设备中，如图3所示，所述图像匹配的装置具体包括：获取模块310、计算模块320和确定模块330。

其中，获取模块310，用于获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；

计算模块320，用于根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；

确定模块330，用于根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

可选的，所述获取模块，包括：

第一获取单元，用于获取模板图像的模板特征点和旋转角度；

第一分层单元，用于若所述模板特征点的个数大于第一预设点数，则将所述模板图像进行金字塔降采样分层，得到层级模板图像；

旋转单元，用于根据所述旋转角度对每一层级模板图像的模板特征点进行角度变化，得到模板图像的模板特征点集。

可选的，所述第一获取单元，包括：

第一提取子单元，提取所述模板图像的模板候选角点；

第一确定子单元，用于若所述模板候选角点为邻域内的极大值点，则将所述模板候选角点确定为模板显著角点；

第二提取子单元，用于提取所述模板显著角点在所述邻域内的模板边缘点；

第一采样子单元，用于对所述模板边缘点进行采样得到模板边缘特征点；

第二确定子单元，用于根据所述模板显著角点和所述模板边缘特征点，确定所述模板图像的模板特征点。

可选的，所述第一确定子单元，具体用于：

获取所述模板候选角点的第一梯度；

获取所述模板候选角点在邻域内的目标梯度方向上的第二梯度；

若所述第一梯度大于所述第二梯度，则所述模板候选角点为所述邻域内的极大值点，将所述模板候选角点确定为模板显著角点。

可选的，所述获取模块，包括：

第二获取子单元，用于获取待搜索图像和所述模板图像对应的层级模板图像的层数；

第二分层单元，用于根据所述层数对所述待搜索图像进行金字塔降采样分层得到层级待搜索图像；

提取单元，用于提取每个层级待搜索图像的目标特征点；

确定单元，用于根据所述目标特征点确定所述待搜索图像的目标特征点集。

可选的，所述提取单元，具体用于：

提取所述层级待搜索图像的目标候选角点；

若所述目标候选角点为邻域内的极大值点，则将所述目标候选角点确定为目标显著角点；

提取所述目标显著角点在所述邻域内的目标边缘点；

对所述目标边缘点进行采样得到目标边缘特征点；

根据所述目标显著角点和所述目标边缘特征点，确定所述待搜索图像的目标特征点。

可选的，所述计算模块，包括：

根据模板图像的最高层级图像对待搜索图像的最高层级图像的每一像素点进行遍历；

计算所述模板图像的最高层级图像的模板特征点集和所述模板图像区域对应的所述目标特征点集的第一相似度度量，确定所述第一相似度度量最大值对应的匹配点位置；

根据所述匹配点位置依次确定待搜索图像的下一层级图像的待匹配区域，直到确定待搜索图像的最底层级图像的待匹配区域；

计算所述模板图像的最底层级图像的模板特征点集和所述待匹配区域对应的所述目标特征点集的第二相似度度量，将所述第二相似度度量的最大值确定为目标相似度度量。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四中的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像匹配方法：获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的图像匹配方法：获取模板图像的模板特征点集和待搜索图像的目标特征点集，其中，特征点集包括显著角点和边缘特征点；根据所述模板图像对所述待搜索图像的每一像素点进行遍历，计算所述模板特征点集和所述模板图像区域对应的所述目标特征点集的目标相似度度量；根据所述目标相似度度量确定匹配特征点的位置，在所述待搜索图像中显示所述匹配特征点。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。