(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211323914.2 (22)申请日 2022.10.27 (71)申请人 江苏骠马智能工业设计 研究有限公 司 地址 213000 江苏省常州市新北区汉江西 路999号 (72)发明人 王顺　张睿　季松林　 (74)专利代理 机构 常州联正专利代理事务所 (普通合伙) 32546 专利代理师 张岳 (51)Int.Cl. G06V 10/75(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习的单模板匹配的方法 (57)摘要 本发明公开了一种基于深度学习的单模板 匹配的方法， 该方法应用于在过曝、 高噪声等恶 劣图像中定位出目标； 首先， 使用 深度学习中的 骨干网络提取图像特征； 接着， 对不同尺度的图 像特征做特征融合； 然后， 分别计算细节得分与 语义得分； 最后， 通过特征比对获取图像中的目 标位置。 本发 明使用深度学习中的骨干网络对图 像做特征提取， 比人工特征更加丰富； 另外加入 了特征融合模块， 使得特征同时具有语义和细 节 信息， 达到 更好的定位和抑噪效果； 此外， 分别计 算了细节得分与语义得分， 细 节得分增强了匹配 的精度， 语义得分增强了匹配的鲁棒 性。 权利要求书2页 说明书4页 附图2页 CN 115482405 A 2022.12.16 CN 115482405 A 1.一种基于深度学习的单模板匹配的方法， 其特 征在于， 包括如下步骤： 1)输入包含目标的图像R， 输入目标的模板图像T； 2)将图像R送入预训练好的骨干网络B中， 截取下采样n倍的输出Rn， 截取下采样2n倍的 输出R2n， 对图像T做同样的处 理， 获得Tn与T2n； 3)将R2n以双线性插值的方式进行2倍上采样得到 对T2n做同样的处 理， 得到 4)将 与Rn通过通道维度加权拼接， 得到融合后的特征 对Tn与 做同样的处理， 得 到 5)对 的通道维度做归一 化， 得到 对 做同样的处 理， 得到 6)以 作为卷积核对 进行步长为1的same 卷积， 得到细节得分图SD； 7)计算 中每一个 像素与 的相似度， 得到语义得分图SC； 8)将SD与SC通过加权相加， 得到融合后的得分图S； 9)取得分图S中像素值最大的坐标P， 并对坐标P进行下采样倍数补偿， 补偿后的坐标即 模板图像T在图像R中的位置 。 2.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤2) 中截取下采样n倍的输 出Rn， 截取下采样2n倍的输 出R2n， Rn的尺寸为[1,C,H,W ]， R2n的尺寸为 [1,2C,H/2,W/2]， C表示 通道数量， H表示高度， W表示宽度。 3.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤4) 中将 与Rn通过通道维度加权拼接， 得到融合后的特 征 的具体方法为： 其中， 的尺寸为[1,2C,H,W]， cont( ·)表示通道维度拼接操作， 的尺寸为[1,3C, H,W]， α 逼近 于1， 包含更多的语义信息， α 逼近 于0， 包含更多的细节信息 。 4.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤5) 对 的通道维度做归一化的具体方法为： 通道维度的均值为 其尺寸为[1,1,H, W]， 通道维度的标准差为 其尺寸为[1,1,H,W]； 归一化的特征 可以表示为： 尺寸为[1,3C,H,W]。 5.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤7) 中计算 中每一个像素与 的相似度的具体方法为： 的尺寸为[1,3C,h,w]， 那么 可以看做向量集合X＝{x1,…,xm,…,xhw},xn的尺寸为[1,3C ]； 同样的， 可以看做向 量集合Y＝{y1,…,ym,…,yHW}， yn的尺寸为[ 1,3C]； 分别 计算Y中每一个向量ym与X中每一个 向量xm的内积， 得到内积矩阵T， T的尺寸为[HW,hw]； 取出T中每一行中元素 的最大值， 得到权　利　要　求　书 1/2 页 2 CN 115482405 A 2语义得分图SC,SC的尺寸为[1,1,H,W]。 6.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤8) 中SD与SC通过加权相加， 得到得分图S的具体方法为： S＝α SC+(1‑α )SD， 0≤α ≤1 其中， 得分图S的尺寸为[1,1,H,W]， α 逼近于1， S包含更多的语义信息， α 逼近于0， S包含 更多的细节信息 。 7.根据权利要求1所述的基于深度学习的单模板匹配的方法， 其特征在于： 所述步骤9) 中对坐标P进行下采样倍数补偿的具体方法为： P的原始坐标为(p,q)， 补偿后的坐标为(np, nq)。权　利　要　求　书 2/2 页 3 CN 115482405 A 3