图像检测方法、装置、电子设备和存储介质与流程

1.本发明涉及图像处理技术领域，具体而言，涉及一种图像检测方法、装置、电子设备和存储介质。


背景技术：

2.随着科技发展，集成电路芯片被广泛应用于各种电子设备中，集成电路芯片的质量直接影响电子设备的可靠性。因此定期对集成电子芯片元器件进行缺陷识别显得尤为重要。
3.以前，集成电路芯片元器件主要通过目视检测、显微镜检测、反光检测以及声学检测等人为检测手段进行缺陷识别，随着机器视觉技术的飞速进步，目前更多地采用基于几何特征的模板匹配算法检测集成电子芯片元器件，然而，基于几何特征的模板匹配算法复杂，检测处理时间长，无法满足快速检测的要求。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种图像检测方法、装置、电子设备和存储介质，通过动态调整旋转角度间隔以及筛选重叠度低相似度高的目标检测图像，有效降低图像检测的计算量，同时提高图像检测算法的鲁棒性。
5.为了实现上述目的，本发明实施例采用的技术方案如下：
6.第一方面，本发明提供一种图像检测方法，所述方法包括：
7.获取模板金字塔，所述模板金字塔包括多层自下而上的模板，所述模板包括多个匹配区域和每个所述匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于所述匹配区域的大小确定的；
8.获取待识别图像，并基于所述待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取所述图像金字塔的最上层为目标图像；
9.利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域；
10.当所述候选区域并非由所述图像金字塔最上层识别得到或所述候选区域只有一个时，将所述候选区域作为目标区域；
11.当所述候选区域由所述图像金字塔最上层识别得到且所述候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域；
12.利用所述目标区域从所述图像金字塔的下一层中确定目标图像，并沿所述图像金字塔进行逐层循环筛选所述候选区域和所述目标区域，直至所述图像金字塔底层，将所述底层对应的目标区域作为图像检测结果。
13.在可选的实施方式中，所述模板金字塔是通过以下方式得到的：
14.按照金字塔层级，基于模板图像生成自下而上尺寸逐渐缩小的模板图像金字塔；
15.获取所述模板图像金字塔的每一层作为候选模板图像；
16.根据每个所述候选模板图像的大小，确定对应的相邻旋转角度之间的间隔；
17.在旋转范围内，以所述间隔旋转对应的所述候选模板图像得到多个匹配模板；
18.提取所述匹配模板的边缘特征得到对应的所述匹配区域；
19.根据全部所述匹配区域和每个所述匹配区域对应的旋转角度，构建自下而上尺寸逐渐缩小的所述模板金字塔。
20.在可选的实施方式中，所述利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域的步骤，包括：
21.获取与所述目标图像同层的模板中的多个匹配区域作为目标匹配区域；
22.对每个所述目标匹配区域进行平移，将所述目标图像中与所述目标匹配区域相似度高的重叠区域作为所述候选区域。
23.在可选的实施方式中，所述对每个所述目标匹配区域进行平移，将所述目标图像中与所述目标匹配区域相似度高的重叠区域作为所述候选区域的步骤，包括：
24.从所述目标图像的左上角开始，分别平移每个所述目标匹配区域，直至所述目标匹配区域移至所述目标图像的右下角；
25.所述目标匹配区域平移过程中，计算所述目标匹配区域和所述目标图像中的重叠区域的相似度量值，将相似度量值不小于度量阈值的重叠区域确定为所述候选区域。
26.在可选的实施方式中，所述目标匹配区域包括多个边缘特征点以及每个所述边缘特征点对应的归一化梯度向量；所述计算所述目标匹配区域和所述目标图像中的重叠区域的相似度量值的步骤，包括：
27.计算重复区域中与每个边缘特征点对应的坐标点的归一化梯度向量；
28.根据所述边缘特征点的归一化梯度向量和对应的坐标点的归一化梯度向量得到单点相似度量值；
29.逐点累加每个目标匹配区域的单点相似度量值，得到所述目标匹配区域和所述目标图像中的重叠区域的相似度量值。
30.在可选的实施方式中，所述对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域的步骤，包括：
31.按照相似度量值从高到低，对多个候选区域进行降序排列；
32.确定每个所述候选区域的最小外接矩形；
33.计算相邻两个所述候选区域的最小外接矩形的重叠度，获取重叠度超过重叠阈值且相似度量值较大的所述候选区域，以及重叠度未超过重叠阈值的所述候选区域作为目标区域。
34.在可选的实施方式中，所述利用所述目标区域从所述图像金字塔的下一层中确定目标图像的步骤，包括：
35.根据图像金字塔上下两层的尺寸比例和所述目标区域，得到所述图像金字塔的下一层对应区域的尺寸和位置；
36.根据所述图像金字塔的下一层对应区域的尺寸和位置确定下一层的所述目标图像。
37.第二方面，本发明提供一种图像检测装置，所述装置包括：
38.获取模块，用于获取模板金字塔，所述模板金字塔包括多层自下而上的模板，所述
模板包括多个匹配区域和每个所述匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于所述匹配区域的大小确定的；
39.识别模块，用于获取待识别图像，并基于所述待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取所述图像金字塔的最上层为目标图像；利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域；当所述候选区域并非由所述图像金字塔最上层识别得到或所述候选区域只有一个时，将所述候选区域作为目标区域；当所述候选区域由所述图像金字塔最上层识别得到且所述候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域；利用所述目标区域从所述图像金字塔的下一层中确定目标图像，并沿所述图像金字塔进行逐层循环筛选所述候选区域和所述目标区域，直至所述图像金字塔底层，将所述底层对应的目标区域作为图像检测结果。
40.第三方面，本发明提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在调用所述计算机程序时执行如前述实施方式任一项所述的图像检测方法。
41.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式任一项所述的图像检测方法。
42.相比于现有技术，本发明实施例提供的图像检测方法、装置、电子设备和存储介质，获取模板金字塔，模板金字塔包括多层自下而上的模板，模板包括多个匹配区域和每个匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于匹配区域的大小确定的，从而可以根据每一层模板的大小动态调整旋转角度间隔，减少模板匹配的计算量；获取待识别图像，并基于待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取图像金字塔的最上层为目标图像；利用模板金字塔中与目标图像同层的模板对目标图像进行识别，得到至少一个候选区域；当候选区域并非由图像金字塔最上层识别得到或候选区域只有一个时，将候选区域作为目标区域；当候选区域由图像金字塔最上层识别得到且候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域，从而剔除图像金字塔最上层中重叠程度高的无效候选区域，降低模板匹配计算量的同时提高图像检测的精准性和鲁棒性；利用目标区域从图像金字塔的下一层中确定目标图像，并沿图像金字塔进行逐层循环筛选候选区域和目标区域，直至图像金字塔底层，将底层对应的目标区域作为图像检测结果。可见，本发明通过动态调整旋转角度间隔以及筛选重叠度低相似度高的目标检测图像，有效降低图像检测的计算量，同时提高图像检测算法的鲁棒性。
43.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
44.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。
45.图1示出了本发明实施例提供的电子设备的一种方框示意图。
46.图2示出了本发明实施例提供的初始化模板金字塔的一种流程示意图。
47.图3示出了模板金字塔的一种示意图。
48.图4示出了本发明实施例提供的图像检测方法的一种流程示意图。
49.图5示出了图4中步骤s203的子步骤的一种流程示意图。
50.图6示出了模板金字塔和待识别图像对应的图像金字塔的一种示意图。
51.图7示出了本发明实施例提供的图像检测装置的方框示意图。
52.图标：100-电子设备；110-存储器；120-处理器；130-通信模块；200-图像检测装置；201-获取模块；202-识别模块。
具体实施方式
53.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
54.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
56.集成电路芯片元器件一般采用引线框架类、基板类、带传送舟类和大型模块类这四种封装类型，不同封装类型的集成电路芯片元器件检测手段因其特殊的封装结构和封装材料存在一定的差别。但随着机器视觉技术的不断突破，模板匹配作为目标识别和定位领域的有效方法，已经广泛应用于物体识别以及完整性检测、目标跟踪、工件精密定位等场合。目前，通常采用模板匹配对集成电子芯片元器件进行缺陷识别。
57.目前，随着学术界和工业界的不断深入研究，开发出了一系列模板匹配方法，主要是基于灰度的模板匹配方法以及基于几何特征的模板匹配方法。
58.其中，基于灰度的模板匹配方法是通过模板图像与待识别图像之间的灰度关系系数来判断待识别图像中是否存在与模板相同或相近的图像，该方法原理简单，易于实现。在良好的光照条件下可以得到较好的匹配结果，其缺点是该方法受光照影响较大，抗噪性较低，在非恒定的光照条件下匹配结果不够稳定，如遥感图像、视频跟踪很难保证光照恒定。虽然选择不同的相似度函数可以改进该方法对光照不均的敏感性，但是却无法识别待识别图像存在遮挡或部分隐藏的情况。
59.相比于基于灰度的模板匹配方法，基于几何特征的模板匹配方法受光照影响较小，能够有效处理待识别图像存在遮挡或部分隐藏的情况。基于几何特征的模板匹配方法是通过提取模板的特征信息，如边缘、角点、模板重心等，并对特征信息进行训练，通过训练
后得到的特征信息对待识别图像进行特定搜索匹配。基于几何特征的模板匹配方法能够有效识别非刚性变形(如伸缩、旋转等)，具有鲁棒性好、抗感扰性强等优势，同时也存在算法复杂、图像匹配处理时间长的问题。
60.基于此，本发明实施例提供的图像检测方法、装置、电子设备和存储介质，通过动态调整旋转角度间隔以及筛选重叠度低相似度高的目标检测图像，有效降低图像检测的计算量，同时提高图像检测算法的鲁棒性。
61.下面结合附图对本发明的各实施例进行详细说明。
62.请参照图1，图1示出了本发明实施例提供的电子设备100的一种方框示意图。电子设备100可以是个人电脑(personal computer，pc)、掌上电脑(personal digital assistant，pda)、笔记本电脑、平板电脑等具有图像处理功能的任意设备等。电子设备100包括存储器110、处理器120及通信模块130。存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
63.其中，存储器110用于存储程序或者数据。存储器110可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
64.处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。例如，当存储器110中存储的计算机程序被处理器120执行时，可以实现上述各实施例所揭示的图像检测方法。
65.通信模块130用于通过网络建立电子设备100与其它通信终端之间的通信连接，并用于通过网络收发数据。
66.应当理解的是，图1所示的结构仅为电子设备100的结构示意图，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
67.本发明实施例提供的图像检测方法及装置应用于上述电子设备，图像检测分为两个阶段，分别是模板初始化阶段和图像检测阶段。模板初始化阶段是基于模板图像生成自下而上尺寸逐渐缩小的模板金字塔，图像检测阶段是利用模板初始化阶段生成的模板金字塔对待识别图像进行识别，最终得到图像检测结果。
68.请参照图2，图2示出了本发明实施例提供的初始化模板金字塔的一种流程示意图，初始化模板金字塔包括以下步骤：
69.步骤s101，按照金字塔层级，基于模板图像生成自下而上尺寸逐渐缩小的模板图像金字塔。
70.在本发明实施例中，假设用户通过客户端登录系统点击初始化模板，客户端响应用户点击初始化模板的操作，相应地生成模板初始化指令，模板初始化指令中包括模板图像，金字塔层级以及旋转范围，并将模板初始化指令发送给电子设备。
71.通常，在构建金字塔时，选择模板图像和待识别图像的m行整数倍的像素点进行重采样，即每隔m行m列重采样，得到低分辨率的图像后，通过计算模板图像和被识别图像的相
似度量获取与模板相似的图像大概位置，再使用间隔小一点，如m/2行的重采样图像，在上一分辨率得到的大概位置对应的一个小邻域内进行相似度量计算，获取更精确的匹配位置，依次逐步求精，直到得到原分辨率下的精确匹配位置。上述构建方法虽然简单且易于实现，但会导致锯齿效应，从而降低图像检测的稳定性和可靠性。
72.为了提高图像检测的稳定性和可靠性，本发明实施例下一层多个像素点的平均灰度作为上一层对应点的灰度值。
73.作为一种实施方式，使用2x2区域内的所有像素的平均灰度作为低分辨率那一层对应点的灰度值。金字塔的最底层为原始图像，金字塔每上升一层，图像的宽度和高度都缩小为下一层金字塔图像的一半。初始化模板时，按照上述构建方法生成满足金字塔层级的自下而上尺寸逐渐缩小的模板图像金字塔。
74.需要说明的是，为了避免出现图像宽度和高度无法被2整除的情况，需要确保原始图像的宽度和高度为2的整数次幂，同时为了保证金子塔的最上层图像具有一定的特征分辨能力，需要用户根据实际情况预先设定模板图像和待识别图像的尺寸，以及金字塔层级。
75.在本发明实施例中，可以循环执行步骤s102-s105串行处理模板图像金字塔的每一层图像，也可以同时对模板图像金字塔的各层图像执行步骤s102-s105，以实现并行处理模板图像金字塔，对此本发明不予限定。
76.步骤s102，获取模板图像金字塔的每一层作为候选模板图像。
77.步骤s103，根据每个候选模板图像的大小，确定对应的相邻旋转角度之间的间隔。
78.在本发明实施例中，几何特征匹配指的是通过对比两张图像中的几何特征来找到它们之间的相似之处，其中旋转角度是一个关键的几何特征之一，在预设的旋转范围之内，按照角度间隔旋转模板进行图像的比对识别，相邻旋转角度之间的间隔即为角度间隔，角度间隔越小，需要计算的角度就越多。
79.假设用户输入的旋转范围是-1度至1度，若将角度间隔设置为1度则需要分别将模板图像旋转-1度和1度，得到旋转后的两个模板图像，再对模板原始图像和旋转后的两个模板图像进行图像匹配操作；若将角度间隔设置为0.5度则需要分别将模板图像旋转-1度、-0.5度、0.5度和1度，得到旋转后的四个模板图像，再对模板原始图像和旋转后的四个模板图像进行图像匹配操作。即角度间隔为1度时需要进行两次旋转计算和三次图像匹配计算，角度间隔为0.5度时需要进行四次旋转计算和五次图像匹配计算。可见，角度间隔设置越小，需要计算的角度越多，相应的模板匹配速度越慢。
80.在本方案实施例中，采用动态调整角度间隔的方式实现图像匹配，从而保证匹配效率和匹配精度。模板图像金字塔不同层的图像尺寸是不相同的，分别根据每一层的候选模板图像的大小计算该层的相邻旋转角度之间的间隔，候选模板图像的大小可以根据距离候选模板图像中心较远的像素距离确定。
81.作为一种实施方式，通过距离候选模板图像中心最远的像素距离确定候选模板图像的大小，进一步得到相邻旋转角度之间的间隔，相邻旋转角度之间的间隔的计算公式为：
[0082][0083]
其中，δθ为相邻旋转角度之间的间隔，d
max
为距离候选模板图像中心最远的像素距离。此时，模板图像旋转δθ度时，与距离候选模板图像中心最远的像素坐标变化量满足匹配
精度要求，从而减少计算量，提升匹配效率。
[0084]
步骤s104，在旋转范围内，以间隔旋转对应的候选模板图像得到多个匹配模板。
[0085]
在本发明实施例中，按照间隔旋转模板图像金字塔对应层级的候选模板图像，得到该层模板图像金字塔中多个不同角度的匹配模板。
[0086]
步骤s105，提取匹配模板的边缘特征得到对应的匹配区域。
[0087]
需要说明的是，边缘通常指的是图像中亮度变化较强烈的区域，边缘特征提取对于图像质量和图像内容等因素都非常敏感，要结合实际应用选择如灰度梯度值、边缘增强法、阈值分割法等边缘提取算法实现边缘特征提取，对此本发明不予限定。
[0088]
在本发明实施例中，以灰度梯度算子sobel为例，使用sobel算子提取匹配模板的边缘特征，并基于非极大值抑制去除不稳定的特征点，得到对应的匹配区域，每个匹配区域对应一个旋转角度。
[0089]
每个匹配区域包括多个边缘特征点以及每个边缘特征点对应的归一化梯度向量。其中，模板原始图像的边缘特征点的坐标为pi＝(xi，yi)
t
，i＝1，2，...，n，模板原始图像对应的每个边缘特征点的梯度方向向量为di＝(ti，ui)
t
，i＝1，2，...，n。任意一个旋转角度θ对应的匹配区域中边缘特征点的梯度方向向量为为了减少计算相似度量时使用开放运算，对每个边缘特征点的梯度方向向量d
′i进行归一化处理，得到对应的归一化梯度向量
[0090]
步骤s106，根据全部匹配区域和每个匹配区域对应的旋转角度，构建自下而上尺寸逐渐缩小的模板金字塔。
[0091]
在本发明实施例中，按照金字塔层级管理每一层的匹配区域和与之对应的旋转角度，形成至下而上逐渐缩小的模板金字塔。由模板图像生成的自下而上尺寸逐渐缩小的模板金字塔如图3所示，每层模板金子塔中包括多个旋转角度的匹配区间，每个匹配区间包括多个边缘特征点坐标以及每个边缘特征点对应的归一化梯度向量。
[0092]
综上可知，本发明实施例在模板初始化阶段基于模板图像生成模板金字塔，图像检测阶段直接使用模板金字塔识别待识别图像即可得到图像检测结果，有效避免图像检测过程中多次确定模板匹配区域的重复计算量，能够减少图像检测处理时间，提升图像检测效率。
[0093]
请参照图4，图4示出了本发明实施例提供的图像检测方法的一种流程示意图，该方法包括以下步骤：
[0094]
步骤s201，获取模板金字塔，模板金字塔包括多层自下而上的模板，模板包括多个匹配区域和每个匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于匹配区域的大小确定的。
[0095]
在本发明实施例中，假设用户通过客户端登录系统点击图像检测，客户端响应用户点击图像检测的操作，相应地生成图像检测指令，图像检测指令中包括模板图像、待识别图像以及金字塔层级，并将图像检测指令发送给电子设备。电子设备根据图像检测指令中的模板图像获取对应的模板金字塔。
[0096]
步骤s202，获取待识别图像，并基于待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取图像金字塔的最上层为目标图像。
[0097]
在本发明实施例中，电子设备从图像检测指令中获取待识别图像和金字塔层级，需要说明的是图像检测指令中的金字塔层级需要与模板金字塔的金字塔层级相同，若两个金字塔层级不同，则无法检测待识别图像。按照金字塔层级要求，生成基于待识别图像的自下而上尺寸逐渐缩小的图像金字塔。
[0098]
在本发明实施例中，图像金字塔最上层的图像分辨率最低，图像金字塔的底层图像是待识别图像的原始图像，分辨率最高。为了逐层快速检测图像，从图像金字塔最上层开始执行图像检测。
[0099]
步骤s203，利用模板金字塔中与目标图像同层的模板对目标图像进行识别，得到至少一个候选区域。
[0100]
在本发明实施例中，每层模板金字塔中存在多个旋转角度的匹配区域，分别使用与目标图像同层的每个匹配区域对图像进行识别，得到至少一个候选区域。
[0101]
步骤s204，当候选区域并非由图像金字塔最上层识别得到或候选区域只有一个时，将候选区域作为目标区域；
[0102]
在本发明实施例中，当候选区域只有一个时，无需再进行筛选，直接将候选区域作为目标区域；由于图像金字塔和模板金字塔都是自下而上逐渐缩小的，因此金字塔最上层的图像分辨率较低，需要对图像金字塔最上层的候选区域进行筛选，其他层级的候选区域直接作为目标区域参与图像检测。
[0103]
步骤s205，当候选区域由图像金字塔最上层识别得到且候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域。
[0104]
在本发明实施例中，图像金字塔最上层的图像分辨率较低，可能在一个目标附近识别出多个重叠度较高的候选区域，为了提高下一层图像金字塔的检测效率和精确度，对多个候选区域进行筛选，保留区域重叠度低且匹配区域相似度高的候选区域作为目标区域。
[0105]
步骤s206，利用目标区域从图像金字塔的下一层中确定目标图像。
[0106]
在本发明实施例中，执行完步骤s206后即可得到下一层图像金字塔的目标图像，上述步骤s203～s206为确定图像金字塔最上层的目标区域，并根据目标区域得到下一层的目标图像。处理完金字塔最上层图像后返回执行步骤s203，并且继续执行步骤s204～s206，直到处理完图像金字塔的底层，再继续执行步骤s207。
[0107]
步骤s207，将底层对应的目标区域作为图像检测结果。
[0108]
在本发明实施例中，将底层原始图像中的目标区域作为图像检测结果，并将图像检测结果发送给用户，便于用户根据图像检测结果对集成电子芯片元器件进行缺陷识别。
[0109]
需要说明的是，在逐层对图像金字塔进行图像检测时，通过执行步骤s204或者步骤s205确定目标区域，具体执行哪个步骤由候选区域对应的金字塔层级或候选区域数量决定。
[0110]
综上所述，本发明实施例提供的图像检测方法，获取模板金字塔，模板金字塔包括多层自下而上的模板，模板包括多个匹配区域和每个匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于匹配区域的大小确定的，从而可以根据每一层模板的大小动态调整旋转角度间隔，减少模板匹配的计算量；获取待识别图像，并基于待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取图像金字塔的最上层为目标图像；利用模板金字塔中与目
标图像同层的模板对目标图像进行识别，得到至少一个候选区域；当候选区域并非由图像金字塔最上层识别得到或候选区域只有一个时，将候选区域作为目标区域；当候选区域由图像金字塔最上层识别得到且候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域，从而剔除图像金字塔最上层中重叠程度高的无效候选区域，降低模板匹配计算量的同时提高图像检测的精准性和鲁棒性；利用目标区域从图像金字塔的下一层中确定目标图像，并沿图像金字塔进行逐层循环筛选候选区域和目标区域，直至图像金字塔的底层，将底层对应的目标区域作为图像检测结果。可见，本发明通过动态调整旋转角度间隔以及筛选重叠度低相似度高的目标检测图像，有效降低图像检测的计算量，同时提高图像检测算法的鲁棒性。
[0111]
可选地，在实际应用中，可以通过平移同层模板的方式进行识别。请参照图5，步骤s203的子步骤可以包括：
[0112]
步骤s2031，获取与目标图像同层的模板中的多个匹配区域作为目标匹配区域。
[0113]
步骤s2032，对每个目标匹配区域进行平移，将目标图像中与目标匹配区域相似度高的重叠区域作为候选区域。
[0114]
作为一种实施方式，请参照图6，假设金字塔层级为n层，以图像金子塔的第一层为例，将图像金字塔第一层确定为目标图像，将模板金字塔第一层中的五个匹配区域作为目标匹配区域，五个目标匹配区域分别对应不同的旋转角度。在目标图像中，依次平移每个目标匹配区域，将目标图像中与目标匹配区域相似度高的重叠区域作为候选区域，如将图6中标号为1、3和4所在区域确定为候选区域。
[0115]
可选地，在实际应用中，可以将图像的左上角像素点作为二维坐标的原点，将图像的水平方向作为横坐标，将图像的垂直方向作为纵坐标，通过在二维坐标中平移目标匹配区域实现图像检测，步骤s2032的子步骤可以包括：
[0116]
从目标图像的左上角开始，分别平移每个目标匹配区域，直至目标匹配区域移至目标图像的右下角；目标匹配区域平移过程中，计算目标匹配区域和目标图像中的重叠区域的相似度量值，将相似度量值不小于度量阈值的重叠区域确定为候选区域。
[0117]
需要说明的是，考虑到目标图像存在部分遮挡或隐藏的情况，使用贪婪系数控制度量阈值。贪婪系数的取值范围为[0,1]，当贪婪系数为1时，意味着选择当前最优解，但很可能忽略全局最优解。相反，当贪婪系数为0时，意味着使用宽松条件进行匹配。一般情况下，为了保证不产生误判，通常将贪婪系数设置为0.9。
[0118]
通常，使用每个目标匹配区域的全部边缘特征点的梯度方向向量和目标图像对应位置坐标的梯度方向向量计算相似度量值。假设任意一个旋转角度θ对应的目标匹配区域中包括n个边缘特征点，第i个边缘特征点的梯度方向向量为d
′i，计算重叠区域相同位置的像素点的梯度方向向量为e
x,y
＝(v
x,y
,w
x,y
)
t
，累计计算n个边缘特征点与重复区域的相似度量函数公式如下：
[0119][0120]
其中，s是相似度量值，即目标匹配区域的边缘特征点与重叠区域的梯度向量点积平均值。当一对对应的边缘梯度方向相同时则点积取得最大值，梯度方向正交时则点积为零，梯度方向相反时则点积取得负的最大值。很难通过阈值判断重叠区域是否满足匹配要求。因此需要对上述相似度量函数进行归一化处理，得到归一化后的相似度量函数，计算公式如下：
[0121][0122]
上述归一化后的相似度量函数用于计算目标匹配区域的边缘特征点与重叠区域的梯度方向向量点积和的归一化值，由于梯度方向向量进行了归一化处理，相似度量对于任意光照具有不变性，不管是模板图像还是待识别图像中都存在噪声，由于噪声导致的梯度方向向量扰动是随机的，且该随机性满足高斯分布，归一化处理后随机噪声不会影响相似度量值，因此相似度量具有良好的抗干扰性。归一化后的相似度量值的取值范围为[-1,1]，相似度量值为1时表示模板图像与待识别图像完全匹配，此相似度量值能够处理部分遮挡和混乱的情况，计算得到的相似度量值基本与可见部分成比例。
[0123]
计算相似度量时，为了减少开方运算，在计算目标匹配区域和重叠区域相似度量值时先对梯度方向向量进行归一化处理，此时，梯度向量为单位向量。假设和分别为d
′i和的单位向量，则相似度量计算公式转换为：
[0124][0125]
从上式可以看出，目标匹配区域所有边缘特征点与重叠区域对应像素点的相似度量求和公式需要对每个边缘特征点做两次乘法和一次加法。需要说明的是，虽然梯度向量单位化也需要开方运算。但是在模板初始化阶段已经计算模板的边缘特征点的归一化梯度向量，在进行图像检测时无需在计算模板的边缘特征点的归一化梯度向量，只需对目标图
像的重叠区域对应的像素点做一次开方运算，避免每次移动目标匹配区域时对每个边缘特征点做一次开方运算，从而显著提高相似度量计算效率，进而提升图像检测效率。
[0126]
可选地，在实际应用中，目标匹配区域包括多个边缘特征点以及每个边缘特征点对应的归一化梯度向量，为了进一步提升图像检测效率，使用边缘特征点的相似度量部分和确定候选区域。计算目标匹配区域和目标图像中的重叠区域的相似度量值的步骤，包括：
[0127]
计算重复区域中与每个边缘特征点对应的坐标点的归一化梯度向量；根据边缘特征点的归一化梯度向量和对应的坐标点的归一化梯度向量得到单点相似度量值；逐点累加每个目标匹配区域的单点相似度量值，得到目标匹配区域和目标图像中的重叠区域的相似度量值。
[0128]
在搜索目标图像的过程中，真正匹配的候选区域只有一个或几个，绝大数区域都是非候选区域。也就是说，在平移搜索过程中，非候选区域的相似度量值没有必要完全计算，可以根据预设的度量阈值判断是否提前结束该重叠区域相似度量的计算，由此实现快速确定候选区域。
[0129]
需要说明的是，在保证相似度量算法的稳定性和提升算法计算效率的前提下，可以根据实际需求预设提前结束计算相似度量的终止条件，对此本发明不予限定。
[0130]
在本发明实施例中，依次获取边缘特征点的归一化梯度向量，并计算重叠区域中对应坐标点的归一化梯度向量；根据如下公式累加单点相似度量值，得到相似度量部分和。
[0131][0132]
其中，sj是前j个单点相似度量值的部分和，由归一化度量公式可知，剩余n-j项的和小于(n-j)/n，所以当部分和公式满足下式时，即可终止相似度量的计算。
[0133][0134]
其中，是度量阈值，s
min
是最小度量值，可以由用户指定，j是当前已处理的边缘特征点数量，n是一个目标匹配区域中需要处理的边缘特征点总数量。
[0135]
为了更好检测目标图像被部分遮挡或隐藏的情况，使用贪婪系数控制度量阈值，即当部分和满足下式时，可终止相似度量的计算。
[0136][0137]
其中，是度量阈值，g为贪婪系数。
[0138]
需要说明的是，由于图像金字塔图像做过重采样处理，分辨率越低的图像对特征的分辨能力越弱。因此，如果在每层图像金字塔识别过程中使用相同的最小度量值可能会滤除掉正确检测结果。
[0139]
在本发明实施例中，金字塔最底层使用预设的最小度量值计算度量阈值，随着层级向上递增，图像分辨率递减，最小度量值逐步降低，最小度量值计算公式为：
[0140][0141]
其中，是第k层金字塔的最小度量值，k表示进行图像检测的金字塔层级，金字塔最底层k为0，α是最小度量值缩放系数，一般设为0.9。
[0142]
可选地，在实际应用中，通常金字塔最上层图像较为模糊，图像匹配过程中可能存在误匹配的情况，这将产生不必要的计算耗时。步骤s205中对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域的步骤，可以包括：
[0143]
按照相似度量值从高到低，对多个候选区域进行降序排列；确定每个候选区域的最小外接矩形；计算相邻两个候选区域的最小外接矩形的重叠度，获取重叠度超过重叠阈值且相似度量值较大的候选区域，以及重叠度未超过重叠阈值的候选区域作为目标区域。
[0144]
在本发明实施例中，模板匹配过程中，首先在图像金字塔的最上层进行粗匹配得到模板在待识别图像中的大致位置，再根据上层得到的大致位置在下一层图像金子塔进行识别，直到图像金字塔的最底层，最终得到待识别图像的图像检测结果。
[0145]
图像金字塔和模板金字塔都是通过对原始图像采样得到的，金字塔层级越多，最上层图像越模糊，使用最上层模板进行匹配时可能存在多个与模板相似的候选区域，若根据最上层全部候选区域确定金字塔下一层目标图像，则可能存在对同一个目标图像进行重复识别的情况，为了提升图像检测效率，对最上层的候选区域进行筛选，保留最接近模板的候选区域。
[0146]
作为一种实施方式，按照相似度量值从高到低的顺序对多个候选区域进行降序排列，根据每个候选区域确定对应的最小外接矩形，依次计算相邻的两个最小外接矩形的重叠度，相邻的两个最小外接矩形的重叠度计算公式为：
[0147][0148]
其中，iou为两个最小外接矩形的重叠度，a和b分别为相邻两个候选区域对应的最小外接矩形。重叠度的取值范围为0～1，重叠度越大表示相邻两个最小外接矩形越重叠，当重叠度超过重叠阈值时，则将相似度量值较大的候选区域作为目标区域，当重叠度未超过重叠阈值时，将前一个候选区域作为目标区域，将后一个候选区域作为下一轮筛选的两个候选区域中的前一个，直到最后两个候选区域，将重叠度未超过重叠阈值的两个候选区域都作为目标区域。
[0149]
可见，本发明实施例使用重叠阈值剔除金字塔最上层中重叠程度高的候选区域，明显降低模板匹配计算量，同时通过重叠阈值对多个候选区域进行筛选，从根源上避免在金字塔下层进行图像识别时产生错误匹配现象，有效提高模板匹配算法的鲁棒性。
[0150]
可选地，在实际应用中，为了提高检测效率，可以直接根据金字塔上一层匹配到目标区域确定下一层目标图像，用于下一层图像检测。步骤s206的子步骤可以包括：
[0151]
根据图像金字塔上下两层的尺寸比例和目标区域，得到图像金字塔的下一层对应区域的尺寸和位置；根据图像金字塔的下一层对应区域的尺寸和位置确定下一层的目标图像。
[0152]
在本发明实施例中，根据金字塔从下而上逐渐缩小的尺寸获取上下两层的尺寸比例，按照尺寸比例对目标区域进行上采样处理，得到图像金字塔下一层对应区域的尺寸和
位置，再根据图像金字塔的下一层对应区域的尺寸和位置确定最小外接矩形，将最小外接矩形作为下层目标图像。
[0153]
为了更清晰说明本发明实施例提供的图像检测方法，使用intel i7-8550u的cpu设备，处理640x480的原始图像进行示例性说明。旋转范围设置为[-180
°
,180
°
]，算法运行时间为8ms，以图6为例，图像金字塔的底层中三个目标区域(标号为1、3和4)的相似度量值均在度量阈值0.9以上，因此三个目标区域都被一一检测出来，并且得到的匹配位置以及旋转角度都与原始图像所匹配，对于有遮挡的两个目标也能准确地检测出来，有效避免光照影响。
[0154]
基于同一发明构思，本发明实施例还提供了一种图像检测装置。其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。
[0155]
请参照图7，图7示出了本发明实施例提供的图像检测装置200的方框示意图。图像检测装置200应用于电子设备，图像检测装置200包括获取模块201和识别模块202。
[0156]
获取模块201，用于获取模板金字塔，模板金字塔包括多层自下而上的模板，模板包括多个匹配区域和每个匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于匹配区域的大小确定的。
[0157]
识别模块202，用于获取待识别图像，并基于待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取图像金字塔的最上层为目标图像；利用模板金字塔中与目标图像同层的模板对目标图像进行识别，得到至少一个候选区域；当候选区域并非由图像金字塔最上层识别得到或候选区域只有一个时，将候选区域作为目标区域；候选区域由图像金字塔最上层识别得到且候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域；利用目标区域从图像金字塔的下一层中确定目标图像，并沿图像金字塔进行逐层循环筛选候选区域和目标区域，直至图像金字塔底层，将底层对应的目标区域作为图像检测结果。
[0158]
综上所述，本发明实施例提供的图像检测装置，获取模块用于获取模板金字塔，模板金字塔包括多层自下而上的模板，模板包括多个匹配区域和每个匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于匹配区域的大小确定的，从而可以根据每一层模板的大小动态调整旋转角度间隔，减少模板匹配的计算量。识别模块用于获取待识别图像，并基于待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取图像金字塔的最上层为目标图像；利用模板金字塔中与目标图像同层的模板对目标图像进行识别，得到至少一个候选区域；当候选区域并非由图像金字塔最上层识别得到或候选区域只有一个时，将候选区域作为目标区域；当候选区域由图像金字塔最上层识别得到且候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与匹配区域相似度高的目标区域，从而剔除图像金字塔最上层中重叠程度高的无效候选区域，降低模板匹配计算量的同时提高图像检测的精准性和鲁棒性；利用目标区域从图像金字塔的下一层中确定目标图像，并沿图像金字塔进行逐层循环筛选候选区域和目标区域，直至图像金字塔底层，将底层对应的目标区域作为图像检测结果。可见，本发明通过动态调整旋转角度间隔以及筛选重叠度低相似度高的目标检测图像，有效降低图像检测的计算量，同时提高图像检测算法的鲁棒性。
[0159]
可选地，识别模块202，还用于按照金字塔层级，基于模板图像生成自下而上尺寸
逐渐缩小的模板图像金字塔；获取模板图像金字塔的每一层作为候选模板图像；根据每个候选模板图像的大小，确定对应的相邻旋转角度之间的间隔；在旋转范围内，以间隔旋转对应的候选模板图像得到多个匹配模板；提取匹配模板的边缘特征得到对应的匹配区域；根据全部匹配区域和每个匹配区域对应的旋转角度，构建自下而上尺寸逐渐缩小的模板金字塔。
[0160]
可选地，识别模块202，具体用于获取与目标图像同层的模板中的多个匹配区域作为目标匹配区域；对每个目标匹配区域进行平移，将目标图像中与目标匹配区域相似度高的重叠区域作为候选区域。
[0161]
可选地，识别模块202，具体用于从目标图像的左上角开始，分别平移每个目标匹配区域，直至目标匹配区域移至目标图像的右下角；目标匹配区域平移过程中，计算目标匹配区域和目标图像中的重叠区域的相似度量值，将相似度量值不小于度量阈值的重叠区域确定为候选区域。
[0162]
可选地，目标匹配区域包括多个边缘特征点以及每个边缘特征点对应的归一化梯度向量。识别模块202，具体用于计算重复区域中与每个边缘特征点对应的坐标点的归一化梯度向量；根据边缘特征点的归一化梯度向量和对应的坐标点的归一化梯度向量得到单点相似度量值；逐点累加每个目标匹配区域的单点相似度量值，得到目标匹配区域和目标图像中的重叠区域的相似度量值。
[0163]
可选地，识别模块202，具体用于按照相似度量值从高到低，对多个候选区域进行降序排列；确定每个候选区域的最小外接矩形；计算相邻两个候选区域的最小外接矩形的重叠度，获取重叠度超过重叠阈值且相似度量值较大的候选区域，以及重叠度未超过重叠阈值的候选区域作为目标区域。
[0164]
可选地，识别模块202，具体用于根据图像金字塔上下两层的尺寸比例和目标区域，得到图像金字塔的下一层对应区域的尺寸和位置；根据图像金字塔的下一层对应区域的尺寸和位置确定下一层的目标图像。
[0165]
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，该计算机程序被处理器120执行时实现上述各实施例所揭示的图像检测方法。
[0166]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0167]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0168]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0169]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种图像检测方法，其特征在于，所述方法包括：获取模板金字塔，所述模板金字塔包括多层自下而上的模板，所述模板包括多个匹配区域和每个所述匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于所述匹配区域的大小确定的；获取待识别图像，并基于所述待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取所述图像金字塔的最上层为目标图像；利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域；当所述候选区域并非由所述图像金字塔最上层识别得到或所述候选区域只有一个时，将所述候选区域作为目标区域；当所述候选区域由所述图像金字塔最上层识别得到且所述候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域；利用所述目标区域从所述图像金字塔的下一层中确定目标图像，并沿所述图像金字塔进行逐层循环筛选所述候选区域和所述目标区域，直至所述图像金字塔底层，将所述底层对应的目标区域作为图像检测结果。2.根据权利要求1所述的图像检测方法，其特征在于，所述模板金字塔是通过以下方式得到的：按照金字塔层级，基于模板图像生成自下而上尺寸逐渐缩小的模板图像金字塔；获取所述模板图像金字塔的每一层作为候选模板图像；根据每个所述候选模板图像的大小，确定对应的相邻旋转角度之间的间隔；在旋转范围内，以所述间隔旋转对应的所述候选模板图像得到多个匹配模板；提取所述匹配模板的边缘特征得到对应的所述匹配区域；根据全部所述匹配区域和每个所述匹配区域对应的旋转角度，构建自下而上尺寸逐渐缩小的所述模板金字塔。3.根据权利要求1所述的图像检测方法，其特征在于，所述利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域的步骤，包括：获取与所述目标图像同层的模板中的多个匹配区域作为目标匹配区域；对每个所述目标匹配区域进行平移，将所述目标图像中与所述目标匹配区域相似度高的重叠区域作为所述候选区域。4.根据权利要求3所述的图像检测方法，其特征在于，所述对每个所述目标匹配区域进行平移，将所述目标图像中与所述目标匹配区域相似度高的重叠区域作为所述候选区域的步骤，包括：从所述目标图像的左上角开始，分别平移每个所述目标匹配区域，直至所述目标匹配区域移至所述目标图像的右下角；所述目标匹配区域平移过程中，计算所述目标匹配区域和所述目标图像中的重叠区域的相似度量值，将相似度量值不小于度量阈值的重叠区域确定为所述候选区域。5.根据权利要求4所述的图像检测方法，其特征在于，所述目标匹配区域包括多个边缘特征点以及每个所述边缘特征点对应的归一化梯度向量；所述计算所述目标匹配区域和所述目标图像中的重叠区域的相似度量值的步骤，包括：
计算重复区域中与每个边缘特征点对应的坐标点的归一化梯度向量；根据所述边缘特征点的归一化梯度向量和对应的坐标点的归一化梯度向量得到单点相似度量值；逐点累加每个目标匹配区域的单点相似度量值，得到所述目标匹配区域和所述目标图像中的重叠区域的相似度量值。6.根据权利要求1所述的图像检测方法，其特征在于，所述对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域的步骤，包括：按照相似度量值从高到低，对多个候选区域进行降序排列；确定每个所述候选区域的最小外接矩形；计算相邻两个所述候选区域的最小外接矩形的重叠度，获取重叠度超过重叠阈值且相似度量值较大的所述候选区域，以及重叠度未超过重叠阈值的所述候选区域作为目标区域。7.根据权利要求1所述的图像检测方法，其特征在于，所述利用所述目标区域从所述图像金字塔的下一层中确定目标图像的步骤，包括：根据图像金字塔上下两层的尺寸比例和所述目标区域，得到所述图像金字塔的下一层对应区域的尺寸和位置；根据所述图像金字塔的下一层对应区域的尺寸和位置确定下一层的所述目标图像。8.一种图像检测装置，其特征在于，所述装置包括：获取模块，用于获取模板金字塔，所述模板金字塔包括多层自下而上的模板，所述模板包括多个匹配区域和每个所述匹配区域对应的旋转角度，相邻旋转角度之间的间隔是基于所述匹配区域的大小确定的；识别模块，用于获取待识别图像，并基于所述待识别图像生成自下而上尺寸逐渐缩小的图像金字塔，取所述图像金字塔的最上层为目标图像；利用所述模板金字塔中与所述目标图像同层的模板对所述目标图像进行识别，得到至少一个候选区域；当所述候选区域并非由所述图像金字塔最上层识别得到或所述候选区域只有一个时，将所述候选区域作为目标区域；当所述候选区域由所述图像金字塔最上层识别得到且所述候选区域为多个时，对多个候选区域进行筛选，得到区域重叠度低且与所述匹配区域相似度高的目标区域；利用所述目标区域从所述图像金字塔的下一层中确定目标图像，并沿所述图像金字塔进行逐层循环筛选所述候选区域和所述目标区域，直至所述图像金字塔底层，将所述底层对应的目标区域作为图像检测结果。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在调用所述计算机程序时执行如权利要求1-7任一项所述的图像检测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的图像检测方法。

技术总结
本发明实施例提出一种图像检测方法、装置、电子设备和存储介质，获取包括多角度匹配区域的模板金字塔，角度间隔由匹配区域大小确定，从而可以根据每一层模板的大小动态调整旋转角度间隔，减少模板匹配的计算量；将待识别图像的图像金字塔的最上层作为目标图像；利用与目标图像同层的模板对目标图像进行识别，剔除最上层重叠程度高的无效区域，筛选出与匹配区域相似度高的目标区域，降低模板匹配计算量；利用目标区域从图像金字塔下一层中确定目标图像，沿图像金字塔进行逐层循环筛选候选区域和目标区域，直至图像金字塔底层，将底层目标区域作为图像检测结果。能够有效降低图像检测计算量，提高图像检测鲁棒性。提高图像检测鲁棒性。提高图像检测鲁棒性。


技术研发人员：熊鑫鑫 郑军
受保护的技术使用者：聚时科技（上海）有限公司
技术研发日：2023.06.20
技术公布日：2023/10/7