图像匹配方法及手机应用测试平台的制作方法
【技术领域】
[0001] 本发明涉及手机测试技术领域，尤其涉及一种图像匹配方法手机应用测试平台。
【背景技术】
[0002] 图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图 像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最 大所对应的窗口中心点作为同名点。
[0003] 为了实现基于图像的自动测试功能，首要解决的就是在给定图像的情况下，如何 从测试图像（如从手机游戏中截取的图像）中精确得识别出相同或者相似的图像，即图像 匹配问题。通过识别出来的图像位置之后，再传送至各种终端上进行自动测试。如根据识 别出的图像位置，传送至手机上实现模拟点击，以实现手机游戏的模拟操作。
[0004] 现有技术主要提供了两种较为通用的图像匹配方法：基于灰度的图像匹配方法和 基于特征的图像匹配方法。
[0005] 其中，基于灰度的图像匹配方法将图像看成是二维信号，采用统计相关的方法 (如相关函数、协方差函数、差平方和等）寻找信号间的相关匹配。最经典的灰度匹配法是 归一化的灰度匹配，其基本原理是逐像素地将一个大小一定的实时图像窗口的灰度矩阵， 与参考图像的所有可能的窗口灰度阵列，按某种相似性度量方法进行搜索比较的匹配方 法。基于灰度的图像匹配方法具有计算简单、直接的优点，但是其也具有明显的缺陷，即其 不具有旋转不变性和不具有尺度不变性，要求模板图像与目标图像的尺寸大小以及方向均 相同。
[0006] 而基于特征的图像匹配方法是指通过分别提取两个或多个图像的特征（点、线、 面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。首先对 图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通 常使用的特征基元为点特征、边缘特征和区域特征。基于特征的图像匹配方法可以克服利 用图像灰度信息进行匹配的缺点，而且，特征点的提取过程可以减少噪声的影响，对灰度变 化，图像形变以及遮挡等都有较好的适应能力。但是其也存在一些缺点：1)实时性不高，计 算特征点比较耗时；2)对于有些图像，可能提取的特征点很少；3)对边缘光滑的目标无法 准确提取特征点。
[0007] 而图像匹配的效率对手机应用（Application，简称APP)的测试效果产生直接的 影响。尤其是在测试手机游戏测试过程中，如手机游戏的开始或进攻按钮图像在不同的分 辨率的手机上位置会有变化，但是其图像的显示图像是不会变的。因此正确、快速地利用图 像匹配技术识别到这些按钮图像，便可以完成游戏中对这些按钮的模拟点击，相应的游戏 操作也可以自动完成。
【发明内容】
[0008] 本发明所要解决的技术问题是，提供一种图像匹配的方法以及基于图像匹配的手 机应用测试方法，提高图像匹配的准确度与灵活性，降低匹配算法的复杂度，从而提高图像 匹配以及基于图像匹配的手机应用测试的效率。
[0009] 为解决以上技术问题，一方面，本发明实施例提供一种图像匹配的方法，包括：
[0010] 将模板图像在源图像中进行全局模板匹配，控制所述模板图像在所述源图像中滑 动查找出最佳匹配区域；
[0011] 计算出所述模板图像与所述源图像的特征点及特征向量；
[0012] 根据所述特征点及特征向量，计算出所述最佳匹配区域与所述模板图像的视觉相 似度；
[0013] 若所述视觉相似度为零，则判定所述最佳匹配区域与所述模板图像不匹配；
[0014] 若所述视觉相似度不为零，则获得所述模板图像与所述源图像的特征匹配点对；
[0015] 根据所述特征匹配点对，计算出最佳匹配图像的定位坐标。
[0016] 进一步地，所述将模板图像在源图像中进行全局模板匹配，控制所述模板图像在 所述源图像中滑动查找出最佳匹配区域，具体为：
[0017] 分别获取所述模板图像与所述源图像的高度和宽度；
[0018] 若所述模板图像的高度大于所述源图像的高度，或者，所述模板图像的宽度大于 所述源图像的宽度，则判定所述源图像中不存在匹配区域；
[0019] 若所述模板图像的高度小于或等于所述源图像的高度，并且，所述模板图像的宽 度小于或等于所述源图像的宽度，则：
[0020] 将所述模板图像在所述源图像中以单位长度进行滑动，逐一计算出所述模板图像 与所述源图像的标准相关系数，获得标准相关系数矩阵；
[0021] 查找出所述标准相关系数矩阵中的最大系数值，以及所述最大系数值所对应的坐 标位置；
[0022] 根据所述最大系数值所对应的坐标位置以及所述模板图像的高度与宽度，确定所 述最佳匹配区域的位置。
[0023] 优选地，所述最大系数值所对应的坐标位置为（m，η)，所述模板图像的高度为hl， 宽度为wl ;
[0024] 则所述最佳匹配区域的位置为：在所述源图像上的、以坐标位置（m，η)为左上角， 长为hl，高为wl的矩形区域。
[0025] 进一步地，所述计算出所述模板图像与所述源图像的特征点及特征向量，具体包 括：
[0026] 在待检测图像上搜索所有尺度的图像位置，通过高斯微分函数检测出对于尺度和 旋转不变的极值点；
[0027] 依据所述极值点的稳定程度，通过建立一个拟合模型来确定特征点的位置和尺 度；
[0028] 基于图像局部的梯度方向，为每个特征点的位置分配一个或多个方向；
[0029] 在每个特征点周围的邻域内，在选定的尺度上测量图像局部的梯度，将所述梯度 变换为表示局部形状变形和光照变化的特征向量；
[0030] 当所述待检测图像为所述模板图像时，所述特征点为所述模板图像的SIFT特征 点；所述特征向量为所述模板图像的SIFT特征向量；当所述待检测图像为所述源图像时， 所述特征点为所述源图像的SIFT特征点；所述特征向量为所述源图像的SIFT特征向量。
[0031] 进一步地，根据所述特征点及特征向量，计算出所述最佳匹配区域与所述模板图 像的视觉相似度，具体为：
[0032] 计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的 长度；
[0033] 若所述模板图像的SIFT特征点的长度为零，或者，所述最佳匹配区域的SIFT特征 点的长度为零，则确定所述最佳匹配区域与所述模板图像的视觉相似度为零；
[0034] 若所述模板图像的SIFT特征点的长度不为零，并且，所述最佳匹配区域的SIFT特 征点的长度不为零，则，计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目； 将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相 似度。
[0035] 优选地，若所述视觉相似度不为零，则获得所述模板图像与所述源图像的特征匹 配点对，具体包括：
[0036] 计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最 小欧氏距离和次小欧氏距离；
[0037] 在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时，将所述模板图 像与所述源图像的特征点作为所述特征匹配点对，并对所述特征匹配点对的数目进行叠 加。
[0038] 进一步地，当所述特征匹配点对的数目高于最小匹配数目时，所述根据所述特征 匹配点对，计算出最佳匹配图像的定位坐标，包括 ：
[0039] 利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵；
[0040] 根据所述单映射矩阵，利用向量数组的透视变换函数计算出所述模板图像在所述 源图像上的最佳匹配区域的多个坐标点；
[0041] 计算出最佳匹配区域的中心点坐标，将所述中心点坐标作为所述最佳匹配图像的 定位坐标。
[0042] 在一种可实现的方式中，所述根据所述单映射矩阵，利用向量数组的透视变换函 数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点，具体包括：
[0043] 根据所述特征匹配点对，获取所述模板图像上的SIFT特征点的坐标及其一一匹 配的、在所述源图像上的SIFT特征点的坐标；
[0044] 随机筛选出N对匹配点对的坐标，在所述模板图像和所述源图像之间进行映射， 获得第一方程：
[0045]
[0046] 并且获得对应的映射系数，将所述映射系数组建为系数矩阵H，获得第二方程：
[0047]
[0048] 其中,Ν彡4 ; [x' ；，y' J是所述源图像上的SIFT特征点的坐标；[Xi, yj是所述模 板图像上的SIFT特征点的坐标；Η是从所述模板图像上的SIFT特征点映射到所述源图像 上的SIFT特征点的系数矩阵；
[0049] 利用所述系数矩阵计算出所述模板图像上的SIFT特征点映射到所述源图像上的 实时坐标；
[0050] 在所述源图像上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈 值时，利用第一方程和第二方程对所述系数矩阵Η进行更新，直到所述系数矩阵Η不再变 化，并将不再变化的系数矩阵Η作为所述单映射矩阵；
[0051] 根据所述单映射矩阵和第一方程，通过以下第三方程逐一计算出所述模板图像在 所述最佳匹配区域的Ν个匹配点的坐标（X'，y'） ：
[0052]
[0053] 将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
[0054] 进一步地，当所述特征匹配点对的数目低于所述最小匹配数目，并且大于指定倍 率系数时，其中，所述指定倍率系数小于所述最小匹配数目；
[0055] 则所述根据所述特