用于对象匹配的基于第一对象模型的第二对象模型的生成

摘要

本公开至少涉及用于对象匹配的基于第一对象模型的第二对象模型的生成。支持用于按照对象匹配算法(450)的对象匹配的，基于第一对象模型(420)生成第二对象模型(480)的设备(1200)和方法。第一对象模型(420)包含被成像的参考对象(411)的对象特征(421‑1…421‑N)。获得(1101)分别包括包含在第一对象模型(420)中的所述对象特征(421‑1…421‑N)的不同子特征(421‑1…421‑N)的子模型(425‑1…425‑N)。分别提供(1103)子模型(425‑1…425‑N)的贡献指标(475‑1…475‑N)。每个贡献指标(475‑n)指示子特征(421‑n)对不正确匹配的贡献。贡献指标(475‑1…475‑N)以按照对象匹配算法(450)的第一对象模型(420)和子模型(425‑1…425‑N)与至少一个模型优化图像(440)的匹配为基础，所述至少一个模型优化图像(440)包含当与第一对象模型(420)匹配时导致至少所述不正确匹配的预先定义的训练特征。

说明书

技术领域

本文中的实施例涉及供按照对象匹配算法的对象匹配之用的对象模型的生成。所述对象模型包括从对参考对象成像的至少一个模型教学图像提取的对象特征。

背景技术

视觉对象匹配就是在图像，即，实况图像中寻找某个对象的一个或几个实例，即，识别对象是否存在于图像中，和/或找出与图像中的对象相关的属性，比如其位置、定向和/或比例。为了能够进行对象匹配，必须使用对象的一个或几个图像，向用于对象匹配的匹配算法“教导”，即告知要寻找的对象。这些图像可被称为参考图像，或者模型教学图像，它们所成像的对象可被称为参考对象。参考对象从而可以对应于用于向匹配算法“教导”或告知所要寻找的对象的对象。

参考对象的对象模型通常是从对参考对象成像的参考图像，即从模型教学图像生成的。对象模型是通过提取由所述模型教学图像成像的参考对象的对象特征生成的。要提取的特征可能随应用领域的不同而不同，也可能取决于从模型教学图像中可以提取哪些特征，什么特征表征要寻找的对象，和/或哪种特征被认为是最好使用的，以便以后能够在实况图像中识别对象。要提取的常见特征例如是被成像的参考对象的边缘或特性界标点，比如转角，每个转角例如对应于转角点和周围的点。

带有提取的对象特征的对象模型随后被匹配算法用于对象匹配，例如用于与实况图像匹配。常见的是，匹配算法基于将对象模型的不同姿态与实况图像进行匹配，然后对结果(即，每个姿态匹配实况图像的程度)进行评估。例如，每个姿态可以对应于对象模型的某种平移、旋转、缩放或它们的某种组合。如果按照某些标准存在足够好的匹配，那么它就被认为是匹配的，即，对象存在于实况图像中。用于此类匹配的姿态可以用于识别所识别的对象是如何位于图像中的，例如，其在实况图像中的位置、定向和/或比例。

理想情况下，所有匹配都应该是正确的，即，如果匹配足够好，那么匹配应该总是正确的。然而，实际上情况并非总是如此。当对象模型与匹配算法一起使用以寻找对象时，可能会发生不正确匹配并导致问题。例如，不正确匹配可能会识别出一个对象存在于图像中，尽管它并不存在，例如归因于对于背景和/或不正确对象的匹配，和/或在图像中可能有多个匹配，尽管它们之中只有一个是正确的，从而可能难以或不可能区分它们，即，知道哪个匹配是正确的或不正确的。另一个问题可能是不正确匹配，虽然是正确的对象，但是对应于不正确的姿态，例如不正确的位置和/或定向和/或比例。

不正确匹配从而可以被描述为这样的匹配，其导致匹配算法提供对应于匹配的结果，尽管该匹配不是正确匹配，即，不能与正确匹配区分的匹配，至少在当例如干扰、噪声等通常要求在特定范围内或高于阈值的所有匹配被视为正确匹配时，在实际上可能发生的现实情况下不能与正确匹配区分的匹配。

显然可取的是在对象匹配中以及当使用匹配算法与对象模型时，减少不正确匹配的发生。

在现有技术中，存在目的在于例如通过控制在特征提取中所使用的一个或多个参数，进而控制从模型教学图像中提取以包含在对象模型中的特征，来改进匹配算法本身，从模型教学图像中提取以包含在对象模型中并改进从模型教学图像的特征提取的对象特征的类型，即，哪些特征包含在对象模型中的解决方案。例如，通过控制边缘强度阈值，其确定要提取和包含哪些边缘，或者边缘有多强(例如导数的大小)从而一定会被包含在对象模型中。

在US 2012170835 A1中可以找到现有技术的解决方案的例子。

发明内容

鉴于上面所述，目的是提供对现有技术的一个或多个改进或替代，特别是支持提供用于对象匹配的改进的对象模型，比如具有导致较少不正确匹配的能力的对象模型。

按照本文中的实施例的第一方面，所述目的是通过由一个或多个设备进行的一种方法实现的，所述方法支持用于按照对象匹配算法的对象匹配的基于第一对象模型的第二对象模型的生成。第一对象模型包含被成像的参考对象的对象特征。所述设备获得分别包括包含在第一对象模型中的所述对象特征的不同子特征的子模型。此外，所述设备分别提供子模型的贡献指标。所述贡献指标中的每个贡献指标指示子模型的子特征对不正确匹配的贡献。贡献指标基于按照对象匹配算法的第一对象模型和子模型与至少一个模型优化图像(MOI)的匹配，所述至少一个模型优化图像(MOI)包含当与第一对象模型匹配时导致至少所述不正确匹配的预先定义的训练特征。

按照本文中的实施例的第二方面，所述目的是通过一个或多个设备实现的，所述一个或多个设备支持基于第一对象模型的第二对象模型的生成，以用于按照对象匹配算法的对象匹配。第一对象模型包含被成像的参考对象的对象特征。所述设备被配置成获得分别包括包含在第一对象模型中的所述对象特征的不同子特征的子模型。此外，所述设备被配置成分别提供子模型的贡献指标。所述贡献指标中的每个贡献指标指示子模型的子特征对不正确匹配的贡献。贡献指标基于按照对象匹配算法的第一对象模型和子模型与至少一个模型优化图像(MOI)的匹配，所述至少一个模型优化图像(MOI)包含当与第一对象模型匹配时导致至少所述不正确匹配的预先定义的训练特征。

按照本文中的实施例的第三方面，所述目的是通过计算机程序实现的，所述计算机程序包括当由所述一个或多个设备执行时，使所述一个或多个设备进行按照第一方面的方法的指令。

按照本文中的实施例的第四方面，所述目的是通过载体实现的，所述载体包含按照第三方面的计算机程序。

随后，可以基于第一对象模型的修改来生成一个或多个子特征的影响减小的第二对象模型，按照提供的贡献指标，所述一个或多个子特征与其他子特征相比对不正确匹配的贡献更大的。所述减小的影响是相对于所述其他子特征的。

换句话说，按照贡献指标，与剩余的子特征相比对不正确匹配的贡献更大的子特征的影响被减小。因此，与第一对象模型相比，第二对象模型将包含对不正确匹配的贡献较小的对象特征。通常，可取的是减小来自按照贡献指标对不正确匹配的贡献最大的子特征的影响。在一些实施例中，减小子特征的影响可以包括从第一对象模型中移除这样的子特征或者移除其一部分。例如，当特征的样本越少意味着该特征在对象匹配中的贡献越小时，更稀疏地对此类子特征采样或者保留此类子特征的较少样本，比如像素。这使得第二对象模型中的剩余的对象特征或样本对不正确匹配的贡献较小，和/或对正确匹配的贡献相对更大。从而，第二对象模型不仅可以能够获得更精确的结果，而且是大小减小并且允许更快的实现的更高效模型。换句话说，本文中的实施例支持提供用于对象匹配的改进的对象模型。

附图说明

参考下面简要描述的附加示意图，更详细地说明本文中的实施例的例子。

图1A表示对参考对象成像的模型教学图像。

图1B图解说明基于参考对象的特征的第一对象模型。

图1C表示第一对象模型的稀疏采样版本。

图1D表示导致正确匹配的基于第一对象模型的对象匹配的匹配结果例子。

图2A表示用于与第一对象模型匹配的实况图像。

图2B表示导致正确匹配和不正确匹配的基于第一对象模型和实况图像的对象匹配的另一个匹配结果例子。

图3示意表示对参考对象成像的模型教学图像的例子。

图4是图解说明从第一对象模型形成子模型的方框图。

图5是图解说明第一对象模型及其子模型与模型优化图像的匹配的方框图。

图6是图解说明模型与模型优化图像MOI的每个匹配如何导致每个MOI的匹配结果的方框图。

图7A是图解说明针对第一对象模型的每个MOI的匹配结果基于什么的方框图。

图7B是图解说明针对子模型的每个MOI的匹配结果基于什么，以及匹配结果用于提供子模型的贡献指标的方框图。

图8是图解说明第一对象模型分数图和子模型分数图的方框图。

图9是图解说明对于每个子模型提供贡献指标的方框图。

图10A图解说明根据本文中的实施例的基于第一对象模型的第二对象模型。

图10B图解说明用于与图2B比较的基于第二对象模型和实况图像的对象匹配的匹配结果例子。

图11是示意图解说明按照本文中的实施例的方法的实施例的流程图。

图12是用于图解说明按照本文中的实施例的一个或多个设备的实施例，和如何配置这些设备以执行关于图11所述的方法和动作的功能方框图。

图13是图解说明与使所述一个或多个设备进行关于图11所述的方法和动作的计算机程序及其载体相关的实施例的示意图。

具体实施方式

本文中的实施例是例证实施例。应注意的是，这些实施例并不一定相互排斥。一个实施例的组件或部件可以默认存在于另一个实施例中，并且对本领域的技术人员来说，这些组件或部件在其他例证实施例中可以如何使用将是显而易见的。

作为对本文中的实施例的发展，将首先在一些附图的支持下进一步详细阐述和解释在背景技术中指出的情况和问题。

图1A示意表示对参考对象111成像的模型教学图像110。

图1B示意图解说明基于参考对象111的特征的对象模型120。对象模型120可以从模型教学图像110生成。对象模型120包含模型教学图像110中的图像参考对象的对象特征，这里为边缘的形式。对象模型120可以通过提取由所述模型教学图像110成像的参考对象111的对象特征来生成。在图中，作为例子指出了对象特征中与参考对象111的更具特征的部分121对应的部分。

图1C表示对象模型120的稀疏采样版本120a。由于通常使用由像素形成的数字图像，因此对象模型120的对象特征，例如边缘，是由对应于密集且均匀分布采样的像素形成的。从而，通过从对象模型120中的边缘中除去某些像素，或者通过对其边缘进行采样，可以提供稀疏采样版本120a。在任何情况下，出于实现原因，可能希望使用对象模型的稀疏采样版本，使用这种模型减少数据量并且能够实现更快的对象匹配。

对象模型120可以被匹配算法用于对象匹配，例如用于与实况图像匹配。匹配算法可以基于将对象模型120的不同姿态与实况图像进行匹配，然后评估所得到的匹配结果，以例如查看每个姿态匹配实况图像的程度。例如，每个姿态可能对应于对象模型120的某种平移、旋转、缩放或它们的某种组合。如果按照某些标准存在足够好的匹配，那么它就被认为是匹配，即，对应于参考对象111的对象存在于实况图像中。用于此类匹配的姿态可以用于识别所识别的对象是如何位于图像中的，例如，其在实况图像中的位置、定向和/或比例。

在对象匹配中经常使用分数图的形成来表示不同姿态的分数。一些匹配算法基于分数图的提供。分数图是由按照匹配算法，匹配对象模型(例如，对象模型120)和图像(例如，实况图像)而产生的匹配结果的一种形式。通过匹配不同姿态(例如，平移、旋转和/或缩放)下的对象模型与图像(例如，实况图像)，可以形成分数图。

分数图包含在该图的不同位置的分数。每个位置对应于或者映射到对象模型的一个或多个姿态。每个分数可以被视为匹配程度的量度，并因此是实况图像中的对象与所述位置所对应的对象模型的一个或多个姿态的匹配程度的量度，所述量度通常是值或数的形式。通常情况下，分数越高，越接近匹配。分数图的最高分数从而可能对应于最佳的可能正确匹配。最高分数是否足以认为存在实际的匹配则可能取决于该分数是否在某个预先定义或预先确定的范围或阈值之内或之上，可以为所使用的匹配算法配置所述范围或阈值，或者可以从所使用的匹配算法和对象模型导出所述范围或阈值。分数图通常用于当按照所使用的匹配算法的匹配涉及尝试或测试对象模型的多个姿态来匹配图像(例如，实况图像)，随后评估哪个或哪些姿态导致实际的(一个或多个)匹配时的匹配结果，即，指示按照对象模型的对象在特定姿态下存在于图像(例如，实况图像)中的结果。每个姿态的匹配结果可对应于在分数图上的某个位置的分数，并且例如可以基于逐个像素的比较或假设检验。逐个像素的比较例如可以涉及在对象模型的每个姿态下，进行对象模型和被匹配图像的重叠像素之间的二进制乘法，然后将结果相加以形成在与该姿态对应的分数图位置处的分数。只有相同的，比如‘1’，即对应于像素级的匹配的重叠像素将添加到所述分数中。

图1D表示基于匹配第一对象模型120和对参考对象111成像的模型教学图像110的对象匹配的匹配结果例子，仅仅用于提供应导致明确匹配的一个例子。本例中只使用了作为对象模型的平移的姿态。这里所示的匹配结果是能够进行图形表示的分数图像130形式的分数图，即每个像素具有对应于分数的值，并且在本例中，分数越高，像素越暗。对于位于模型教学图像110中心的对应于对象模型120的姿态的像素，可以识别明确的正确匹配131，如预期和已知对应于正确匹配的那样。

理想地，按照分数图的分数的所有匹配都应是正确匹配。然而，如在背景技术中所述，实际上情况并非总是如此。当对象模型与匹配算法一起使用以寻找对象时，可能会发生不正确匹配并导致问题，如在背景技术中所述。

图2A表示用于与第一对象模型120匹配的图像215(例如，实况图像)的例子，所述图像215对两个对象，第一对象215a和第二对象215b成像。正如所认识到的，希望对象模型120仅与第二对象215b正确匹配。

图2B表示基于第一对象模型、图像215和匹配算法(例如，上面使用的并且导致分数图像130的相同匹配算法)的对象匹配的另一个匹配结果例子。这里，匹配结果也是分数图像，即，分数图像230。如图所示，找到两个匹配，即不正确匹配231a和正确匹配231b。在与这些匹配对应的位置的同样暗的像素指示分数相等或者如此接近，以致仅仅根据分数无法辨别哪个位置对应于正确匹配。在实际情况下，结果可能是匹配算法得出两个对象111位于图像215中的结果，情况显然并非如此。

从而，在分数图中，可能存在对应于匹配的具有相似高分数的许多位置，尽管只存在一个正确匹配，或者甚至不存在正确匹配。这可能归因于所使用的对象模型的特性、匹配算法以及要匹配的图像所显示和包含的事物(包括噪声)。这通常使得难以知道哪个位置是最好或正确的匹配。具有高分数的其他位置，甚至可能是具有最高分数的位置从而可能是虚假的或不正确的匹配。可能难以或不可能区分正确匹配和不正确匹配。这导致对象匹配中不希望出现的错误。

本文中的实施例试图通过支持提供用于对象匹配的改进对象模型来解决这个问题，改进对象模型具有导致较少不正确匹配的能力。

本文中的实施例的基础的深刻见解在于对象模型，例如对象模型120的某些子特征，比如某些边缘、一组边缘和/或特性界标点与其他相比对不正确匹配的贡献更大，并且如果可以识别出这样的子特征，并可以通过修改第一对象模型减小它们在导致不正确匹配方面的影响，那么由此产生的新的第二对象模型应能够导致较少的不正确匹配，并且还可能减小大小。

现在在附图的支持下，较为详细地例示和讨论本文中的实施例。首先讨论一些概念和关系，其随后将在下面用于解释更完整的实施例。

图3示意表示对参考对象411成像的模型教学图像410的例子。这里的模型教学图像410和参考对象411分别对应于模型教学图像110和参考对象111，以便利本文中的实施例与上面讨论的情况的比较。

图4是示意图解说明从第一对象模型420，例如基于第一对象模型420形成子模型425-1…425-N的方框图，其中N是大于1的整数，并且可对应于第一对象模型420的对象特征的数量。第一对象模型420可以基于模型教学图像410，并且在这里对应于上面的对象模型120，以便利本文中的实施例与上面讨论的情况的比较。第一对象模型420可以对应于常规的对象模型。第一对象模型420的每个子模型，例如子模型425-n包含子特征，即，第一对象模型420的一个或多个但不是所有的特征。例如，第一对象模型的每个边缘或一组边缘可以形成子模型。全部的子模型425-1…425-N的子特征应对应于第一对象模型420的全部的对象特征，从而可以存在子特征421-1…421-N，在例子中呈边缘的形式。在图中，指示了呈边缘的形式的子特征421-1和呈另一个边缘的形式的另一个子特征421-N，以便利理解和稍后进行比较。注意，(单一)子特征可以包含对象特征的几个边缘部分(尽管未在这些例子中示出)和/或例如对象特征的特性界标点部分。

此外注意，尽管在本文中的例子中所示的模型将边缘作为对象特征，不过另外地或者替代地，可以使用被成像对象的任意种类的特征，例如上面提及的界标点或区域，例如覆盖参考对象的特性特征(比如转角)的局部区域中的像素。构成对象特征的内容从而在不同的实施例之间可以有所不同，不仅所涉及的特征的类型可以不同，而且包含在每个对象特征中的内容也可以不同。例如，如果特征的类型是边缘，那么对象特征可以是单个边缘或几个边缘。从而，在这个例子中，如上面已经指示的全部的对象特征中的单个子特征可对应于全部的对象边缘中的单个边缘，或者全部的对象边缘中的几个边缘和/或一个或多个边缘的一部分。

图5是示意图解说明第一对象模型420及其子模型425-1…425-N与至少一个模型优化图像(MOI)440的匹配的方框图。因此，该匹配按照供第一对象模型420使用，例如通常与第一对象模型420一起使用的匹配算法450。例如，如关于图1所述，匹配算法可以基于逐个像素的比较或假设检验。对于图中所示的所有对象匹配使用相同的匹配算法。将每个模型与MOI 440匹配。如果存在几个MOI 440，那么每个模型存在与MOI一样多的对象匹配。

图6中也示意图解说明了单个模型的一般关系。

图6是示意图解说明模型(例如，作为子模型425-1…425-N中的任意一个的子模型425-n或第一对象模型420)的每次匹配是如何按照匹配算法450与MOI 440匹配的方框图，并且结果是至少一个匹配结果460；465-n，即(一个或多个)匹配结果，因为存在每个MOI的匹配结果，例如每个MOI的分数图。匹配结果460是针对第一对象模型420的，而匹配结果465-n是针对子模型425-1…425-N中的任意一个的。

MOI可以是各自具有图案的一个或多个图像，图案例如由用于与对象模型匹配并且能够导致至少一个或多个不正确匹配的适当对象和/或背景的成像产生。MOI例如可以包含对与参考对象和/或其他对象相似的一个或多个对象、背景图案等成像的(一个或多个)图像，所述一个或多个对象、背景图案等当与匹配算法一起使用时，可能和/或已知会导致不正确匹配。MOI 440中的成像对象中的一个或多个可对应于一个或多个姿态(例如，平移、旋转和/或缩放)下的参考对象411，但也不必然。在这种情况下，可以预期或者可以知道，除了一个或多个不正确匹配之外，在与第一对象模型420的对象匹配中，应存在至少一个正确匹配。MOI可以是、基于或包含模型教学图像的一个或多个甚至全部，但也不必然。

本领域的技术人员可以基于对要匹配的参考对象和/或第一对象模型，所使用的匹配算法和/或操作条件的知识，例如，关于在操作期间(即，当对实况图像进行对象匹配时)可能发生并导致不正确匹配风险的情况的信息，在真实情况下选择或形成适当的MOI。

在一些实施例中，MOI包含模型教学图像的失真版本，从而能够在例如特征的稳定性导致匹配问题时进行训练。这能够实现更好地避免此类匹配问题的第二对象模型。在一些实施例中，MOI对除参考对象和/或背景以外的其他对象成像，以使得能够对关于其他对象和/或背景的假匹配进行训练，从而能够实现更好地避免此类匹配问题的第二对象模型。

图7A是示意图解说明针对第一对象模型420的每个MOI 440的匹配结果460(例如，分数图)基于第一对象模型420、匹配算法450和MOI 440的方框图。每个MOI的匹配结果460可以用于识别第一对象模型420的哪些姿态导致不正确的匹配，和正确的匹配，如果在MOI中存在正确的匹配的话。如果匹配结果是分数图，那么通过识别每个MOI的分数图中具有被预先定义或预先确定为对应于匹配的分数的位置，可以找出姿态。参见下面的分数图的进一步解释。根据完整的对象模型(例如第一对象模型420)和所使用的匹配算法的知识，可以找出与最佳的可能匹配对应的匹配结果，例如分数，因为它是关于将第一对象模型与其自身进行匹配。与这种理论上的最佳匹配相关的一些预先定义的边界可以定义在通常不能预期理论上完美的匹配的实际情况中，以及在实际情况下不需要存在匹配的实践中什么被认为是匹配。

图7B是图解说明针对每个子模型425-1…425-N的每个MOI 440的匹配结果465-n(例如分数图)基于子模型425-n、匹配算法450和MOI440的方框图。匹配算法和MOI与图7A中的相同。从而对于每个子模型465-n使用与在图7A的例子中对于第一对象模型420使用的相同姿态。如果匹配结果是分数图的形式，那么每个子模型分数图和第一对象分数图中的对应位置应映射到(一个或多个)相同的姿态。由于从第一对象模型的匹配已知导致不正确匹配和正确匹配(如果有的话)的姿态，因此针对这些姿态，对于子模型也可以找出匹配结果。当匹配结果是分数图的形式时(下面进一步说明)，在匹配的位置可以找到子模型的分数。与子模型相关的此类匹配结果(例如分数)可以对应于，或者可以用于识别子模型(因此其相关联的子特征)对按照匹配第一对象模型(比如在图7A的例子中，即匹配第一对象模型420)的匹配的贡献。

针对子模型的每个MOI的匹配结果随后可以用于提供(通常通过计算)贡献指标。贡献指标在下面进一步解释，不过将首先在本文中的实施例的上下文中进一步解释分数图的概念。

图8是示意图解说明第一对象模型分数图460a和子模型分数图465a-n的方框图，只是为了更好地解释如上所述作为匹配结果的分数图背后的一般原则。分数图从而是匹配结果(例如如图7A-B中的匹配结果460和465-n)的例子。

每个分数图由对象模型或子模型425-1…425-N中的任意一个与所关注的模型在不同姿态(例如，平移、旋转和/或缩放)下的MOI之间的匹配产生。每个位置以分数的形式存储一个或多个特定姿态与MOI的匹配结果。

因此，每个模型和MOI存在一个分数图，换句话说，对于一个MOI，存在针对第一对象模型420的一个分数图460a，和针对子模型425-n的分数图465a-n。在每个分数图中存在K个分数和位置，对应于匹配中所使用的姿态的数量，或者姿态集的数量(如果每个位置保持几个姿态的匹配结果的话)。因此，存在K个位置p1…pK，其中的任意位置可以被称为位置pk，其中k的范围为1到K，并且K是大于1的整数。在分数图的每个位置，存储有作为一个或多个特定姿态与MOI的所述匹配结果的分数。例如，在图中，在第一对象模型分数图460a中，在位置p1…pK分别存在分数FOM_score_1…FOM_score_K，而在所示的子模型分数图465a-n中，在位置p1…pK分别存在分数SM_score_1…SM_score_K。从分数图的位置，可以找出在导致该分数的匹配中使用了模型的哪个或哪些姿态，即，每个位置与一个或多个姿态相关联。每个位置具体与哪个或哪些姿态相关是预先定义或预先确定的，从而意味关系得以维持，即，使得以后可以从分数图的位置识别在导致该位置的分数的匹配中使用了哪个或哪些姿态。

分数图的每个分数可以被描述为匹配水平指标，通常为值(例如整数)的形式，指示所涉及的姿态与MOI的匹配程度。整数形式的分数例如可以指示MOI与在与该位置关联的姿态下的模型之间的匹配水平或程度，比如有多少像素匹配。

由于如上所述，对于子模型和完整的第一对象模型使用相同的MOI和模型姿态，因此在分数图中存在相同数量的位置pk，并且所有分数图460a和465-1…465-N中的对应位置(例如位置p1)对应于相同的一个或多个姿态。这使得可以在模型之间关联分数，从而关联匹配，并且由此还可以得出某个子模型的子特征对某个或某些姿态(尤其是导致匹配，比如不正确匹配的一个或多个姿态)下的完整的第一模型分数贡献了多少。由于如上所述，每个模型由完整的第一对象模型的对象特征中的子特征形成，因此子模型425-n的贡献事实上是第一对象模型420的子特征421-n的贡献。

换句话说，每个分数从而是模型的关联姿态与MOI之间的匹配程度的量度，从而是对应姿态下的模型匹配MOI的程度的量度。这与常规产生分数图的方式类似，不过使用的是MOI而不是例如实况图像。区别在于子模型的使用，并且将这些子模型与和子模型所基于的原始对象模型(例如，第一对象模型420)相同的MOI匹配。另一个区别还在于MOI可以被控制，例如预先定义或预先确定，在常规的对象匹配和实况图像中情况当然不是这样。子模型分数图的每个分数是匹配程度的量度，从而是对应姿态下的子模型(例如，第一对象模型的某个边缘)匹配MOI的程度的量度。

应意识到的是，在多个MOI的情况下，对于每个MOI，应产生第一模型分数图和子模型分数图，每个子模型一个子模型分数图。即，每个MOI，将存在具有与子模型一样多的分数图加上针对第一对象模型的一个分数图的一组分数图。在存在多个MOI的情况下，从而将存在多组分数图，每个MOI一组。

为了能够比较子模型及它们各自对原始对象模型(例如，第一对象模型420)的匹配的贡献，从而比较子特征对第一对象模型的对象特征的贡献，可取的是利用量度或指标，所述量度或指标指示对不正确匹配的贡献，优选相对于对正确匹配的贡献或者与对正确匹配的贡献相比的对不正确匹配的贡献，并且所述量度或指标允许子模型之间的简单比较，以查看与其他子模型相比哪些子模型贡献更大/更小。如上所述，从而可以提供针对子模型的每个MOI的匹配结果的贡献指标。例如，图中所示的子模型425-n随后可以用于提供(通常通过计算)贡献指标475-n。贡献指标在下面进一步说明，不过将首先在本文中的实施例的上下文中进一步解释分数图的概念。

基于原始模型(例如第一对象模型420)、其子模型、所使用的匹配算法、MOI和匹配结果(例如，分数图)，可以针对每个子模型计算这样的量度或指标(通常是值或数的形式)，所述量度或指标例如指示该子模型相对于正确匹配(如果有的话)易于产生或导致不正确匹配的程度，并且用于子模型之间的比较。从而可以找出具有可能贡献最小的子特征的子模型，并且这些子特征的影响可以被减小，例如，可以从原始的第一对象模型中移除，从而形成新的第二对象模型，所述新的第二对象模型能够导致较少的不正确匹配，或者至少减小导致匹配错误的不正确匹配的风险。另外，可以意识到，尽管子模型匹配结果(例如，子模型的分数图)包含与子特征对例如第一对象模型420的原始对象模型分数图中的匹配的贡献有关的信息，但它们可能难以这样与几个分数，例如值，进行比较，以进行管理等。这也是本文中的实施例改为应用如上所述的分别与子模型关联的贡献指标，并用于在贡献指标之间进行比较的原因。

关于子模型，从而关于子模型的子特征的例如为贡献量度的形式的每个贡献指标从而应指示子模型的子特征对原始的第一对象模型的不正确匹配的贡献程度。这使得能够在子模型之间比较贡献指标，并找出相对于其他子模型对不正确匹配贡献更大的那些子模型。

从而，参考分数图，如果子模型的分数图(即，子模型分数图)在第一对象分数图具有不正确匹配的位置具有较高的分数，那么对子模型来说应是不利的，但是如果子模型分数图在第一对象分数图具有正确匹配的位置具有较高的分数，则是有利的。利用贡献指标反映这一点是可取的。关于这种贡献指标的例子参见下面的例子。如果例如MOI正在对第一对象的参考对象成像，从而应存在至少一个正确的匹配，在添加噪声的情况下，鲁棒的子模型应更受青睐。换句话说，第一对象模型的尽管存在噪声，但是与其他子模型相比对正确的匹配贡献更大，并且对不正确的匹配(如果该MOI中有的话)贡献较小的子模型(从而对应的子特征)应比那些不是如此的子模型更受青睐。

图9是图解说明如上所述，对于子模型425-1…425-N分别提供(通常计算)贡献指标475-1…475-N的方框图。因此，对于每个子模型425-n提供贡献指标475-n。子模型的贡献指标可被描述成相对于对所有子模型都相同的某个基准，该子模型的子特征对不正确匹配的贡献程度的量度。

在多个MOI，从而对于每个子模型存在每个MOI的匹配结果(例如，分数图)的情况下，可以从子贡献指标之和来计算子模型的单一贡献指标，每个子贡献指标是按每个匹配结果(例如，每个分数图)，从而按每个MOI计算的。例如，在几个MOI的情况下，对于每个子模型，可以提供每个MOI的子贡献指标，例如每个MOI的子贡献分数，随后可以将这些部分的子贡献分数相加，从而形成每个子模型的总贡献分数，所述总贡献分数之后可以用于子模型之间的比较。这种方法和使用多个MOI的优点势可以在于，它可以导致更好地选择子模型，从而选择“最好”抑制或除去的子特征，从而能够实现改进的选择，由此实现改进的第二对象模型。

对贡献指标的计算来说，可取的是知道哪些匹配结果(例如，分数图中的分数)对应于匹配，并且匹配是正确的还是不正确的。

在已知子模型的某个姿态对应于正确的匹配的情况下，例如，由于已知MOI包含参考对象的这种姿态，那么该姿态在分数图中的位置对应于正确匹配。不正确匹配可以被认为是分数图中的分数接近正确匹配(例如如上所述，例如，高于某个预先定义或预先确定的阈值，或者在覆盖正确匹配的预先定义或预先确定的范围内)的所有其他位置。

如果已知MOI中存在正确匹配，但是并不确切知道哪个姿态对应于该正确匹配，那么在一些实施例中，可以假定原始模型(例如第一对象模型分数图460a)的最高分数是正确匹配，而所有其他匹配都是不正确匹配。这可能是合理的假设，因为MOI是预先定义的，甚至是预先确定的，从而正确的匹配可以被控制，并且可以基于参考对象，从而导致“完美”的匹配。另外，可以在受控条件下进行按照本文中的实施例的方法，因为所述方法关于“训练”以使得能够实现改进的或者甚至优化的第二对象模型，并且在训练期间，不良干扰(例如噪声)的影响通常可以受到控制，并且例如被减小或者甚至被最小化。在存在对称的参考对象的情况下，可能存在无法用最高的分数区分的一个或多个进一步的正确匹配。然而，在这种情况下，或者在通常情况下，当知道MOI中的参考对象应导致多少个正确匹配时，对应数量的最高分数可以被假定为对应于正确匹配。

注意如前所述，本文中的实施例在任何MOI中不存在任何正确匹配的情况下也起作用。这种情况下，它可以被认为是关于发现和抑制匹配的，因此所述匹配是不正确匹配。

当匹配结果是分数图的形式时，贡献指标可以被称为贡献分数，它将在下面使用。

就计算贡献分数的算法来说，可取的是奖励正确匹配，但是对于不正确匹配则相反，例如，当/如果子模型对正确匹配作出贡献时，那么增大该子模型的贡献分数，而对于不正确匹配，则将其减小到对应的程度。例如，如果第一子模型对正确匹配的贡献与对不正确匹配的贡献相等，那么这些贡献可以被认为相互抵消。如果对于第二子模型，对于不正确匹配存在两倍贡献，那么第二个子模型应该不太适合保留。

实现这一点的一种方式可以是按每个子模型和MOI，创建不正确匹配的所有匹配结果(例如，分数)的第一和，随后创建正确匹配的第二和，然后使和彼此相关，例如，将第二和除以第一和。从而，可以可取的是如前所述，只使用匹配(正确和不正确匹配)，例如，使用原始的对象模型分数图(例如，第一对象模型分数图460a)中的指示匹配的位置(为具有最高分数(例如，所有分数高于分数阈值)的位置)的分数，。分数阈值可以基于会或者可能导致正确匹配的分数来设定。

除在第一和第二和中分别对不正确匹配分数和正确匹配分数求和以外的另一选项可以是分别对正确匹配的数量和不正确匹配的数量求和，然后将正确匹配的数量除以不正确匹配的数量。

然而，如果所有的分数，即所有位置的分数，都用于计算贡献分数，而不必选出与不正确匹配和正确匹配对应的位置的分数，即，不必找出并应用如上所述的分数阈值，那么可以简化计算，从而便于实现。

这可以通过涉及原始模型匹配结果(例如第一对象模型分数图460a)的分数，并使用这些分数进行加权来实现，所述加权增强与正确匹配和不正确匹配对应的子模型分数的影响，并抑制其他子模型分数的影响。例如，通过将所述和中的每个子模型分数乘以第一模型分数图的函数F，所述函数例如取决于在其在每个位置的分数，增强或抑制在相同位置处的子模型分数。下面给出这种函数F及如何使用它的例子。事实上，在和中只使用正确匹配和不正确匹配的上述情况可以利用此类函数F来实现，函数F取决于在各个位置的第一模型分数，将对应的子模型分数乘以0或1(取决于第一模型分数是低于还是高于所述分数阈值)的。然而，这仍然要求提供(例如，计算)分数阈值。于是，另一选项将利用如下事实：按照定义，第一模型分数图在正确匹配和不正确匹配的位置具有其最高的分数，而在所有其他位置具有较低的分数。从而，通过将子模型分数乘以在相同位置的第一模型分数，可以在每个位置简单地完成加权。然而，如果函数随第一模型分数呈指数增长，那么效果会得到改善，即，函数F为分数>m，其中m>1。已经表明例如第一模型分数的平方(即m＝2)可能是足够和适当的加权函数F，尽管更高的n:s可能效果更好。

下面是按每个MOI针对子模型可以如何计算呈贡献分数CS形式的贡献指标(即，按照本文中的一些实施例可以如何计算贡献指标)的等式(式1)的例子：

其中SM_score(pk)和FOM_score(pk)分别是对于位置pk，按照子模型分数图的分数和按照完整的(或第一)对象分数图的分数，每个和是关于“所有k”(即，k＝1…K)，或者换句话说，对于相应分数图中的所有位置p的和。F是如上所述并且下面进一步解释的基于FOM_score(即，基于第一对象分数图)的函数。Pcorr是当位置pk对应于正确匹配时值为1，否则值为0的函数。

可以认识到，式1的例证贡献分数CS随着正确匹配而增大，随着不正确匹配而减小，因此，与具有最高CS的子模型相比，子模型具有的这种CS越低，则该子模型越“差”。当然，CS可以反转，从而CS越高则越“差”。注意式1的特殊情况，当MOI中不存在正确匹配时，所有CS会为0，从而在这种情况下，分子应被设定为1，即在当对于所有的k，P＝0的情况下。

由于如上所述，具有作为匹配(不正确匹配和正确匹配)的分数的位置是预先定义的、预先确定的或者可以被确定，并且MOI可以被控制，例如被预先定义或预定确定，因此也可以容易地确定P。

如果已知在MOI中只存在不正确匹配，而不存在正确匹配，即，在式1中，对于所有的pk，P＝0，那么在这种情况下，如上所述，式1的分子应被替换为1。从而这种情况下，按照下式计算每个子模型的贡献分数CS就足够了：

CS＝∑

从而，通过使用包含不正确匹配，但是不包含正确匹配的MOI，计算可以更简单，从而便于实现和/或执行更快。然而，出于其他原因，可能可取的是用于计算贡献分数的算法在MOI中存在正确匹配和不存在任何正确匹配的情况下都起作用，比如在式1的情况下。在任何情况下，所使用的MOI应至少包含不正确匹配，以使得能够利用完整的第一对象模型和子模型实现对这方面的训练，以致第二模型至少可以更好地抑制不正确匹配，尽管通常可取的是还涉及正确匹配。

如上所述，式1和式2的优点在于对于分数图中的所有位置p，还有不与匹配对应的位置计算贡献分数。利用函数F的加权支持这一点。

如上所述，在一些实施例中，F是分数的平方，即：

F(FOM

图10A图解说明按照上面所讨论内容和本文中的实施例的基于第一对象模型420的第二对象模型480。更特别地，第二对象模型480基于式1和式3的应用。

可以认识到，所示的第二对象模型480是对象模型的稀疏采样版本，并且可以与图1C中的稀疏采样对象模型120a相比较，稀疏采样对象模型120a是对象模型120的常规稀疏采样版本，而对象模型120进而对应于第一对象模型420。常规稀疏采样对象模型120a包含均匀散开(大体上一致)的样本。

应用式1和式3得到的贡献分数被用于按照子特征的贡献分数，确定子特征彼此之间的优先顺序。与贡献分数较高的子特征相比，贡献分数较低的子特征的采样更加稀疏，结果产生第二对象模型480。第二对象模型480从而基于第一对象模型420的修改，其中按照提供的贡献指标(例如，475-1…475-N)，与其他子特征(例如，子特征421-N)相比对不正确匹配贡献更大的子特征(例如，子特征421-1)的影响减小。从图10A中可以看出，与表征特征121对应的部分的采样更加密集，因为按照与之相关的贡献分数，它对不正确匹配作出的贡献不像其他特征那样多。例如，与对应于第一对象模型420的子特征421-N的第二对象模型480的子特征481-N相比，对应于第一对象模型420的子特征421-1的第二对象模型480的子特征481-1的采样较不密集。就在这种情况下使用的匹配算法来说，更密集的采样意味着与采样不太密集的部分的影响相比，这样的特征在第二对象模型480中的影响将更大。

图10B图解说明用于与图2B中的结果比较的呈分数图形式的匹配结果例子，所述分数图是由基于按照本文中的实施例生成的第二对象模型和图2A中的图像215的对象匹配产生的分数图像1030。从图10B中可以看出，本文中的实施例的应用，以及由此相对于其他对象特征，赋予与表征特征121对应的部分增大的影响，已导致图2B中的不正确匹配231a的位置现在在图10B具有较低的分数，从而不使之成为匹配。于是，只有一个匹配，即，在图2B中的正确匹配231b的位置处的正确匹配1031，而不存在不正确匹配。换句话说，由于本文中的实施例，从分数图像1030中，可以识别并找到关于图像215中的正确对象，即对象215b的信息，而没有反而与对象215a匹配，或者还与对象215a匹配的风险。从而与第一对象模型420相比，这里使用并按照本文中的实施例生成的第二对象得到了改进。

图11是示意图解说明按照本文中的实施例的方法的实施例的流程图。可以构成所述方法的以下操作用于支持基于第一对象模型(例如，420)生成第二对象模型(例如，480)。第二对象模型和第一对象模型用于按照对象匹配算法(例如，450)的对象匹配。第一对象模型包含通常从被成像的参考对象(例如，411)提取的对象特征(例如，421-1…421-N)。

注意，下面的动作可以按任何适当的顺序进行，和/或在可能和适当的情况下，在时间上完全或部分重叠地执行。

动作1101

获得子模型，例如425-1…425-N，所述子模型分别包括包含在第一对象模型中的所述对象特征的不同子特征，例如421-1…421-N。

对象特征可以提取自对参考对象成像的至少一个模型教学图像，例如，410。对象匹配算法可以是基于匹配对象模型(这里是第一对象模型)和可以对要匹配的对象成像的一个或多个图像(例如，实况图像)的常规对象匹配算法。例如，对象匹配算法可以是基于形成如本文中所述的分数图的对象匹配算法。

参考对象的所述对象特征通常提取自对参考对象成像的一个或多个模型教学图像，每个模型教学图像包括参考对象的至少一部分的图像。所述提取可以按照某种常规方法来进行，例如当特征是边缘时，用于边缘提取的常规方法。

每个子特征对应于第一对象模型所包含的对象特征中的一个或多个。全部的子模型的特征优选应包含第一对象模型的所有特征，和/或对象特征不应是多于一个子特征的一部分，从而不应是多于一个子模型的一部分，尽管情况并非总是如此。

通过从远程的其他设备接收和/或从某种存储器获得子模型，或者通过基于第一对象模型，例如，基于从第一对象模型提取或选择的对象特征形成子模型，可以获得子模型。

动作1102

可以按每个MOI分别获得至少包含子模型(例如，425-1…425-N)的子模型分数图(例如，465-1…465-N)的分数图(例如，460、465-1…465-N)。每个分数图可以基于匹配(例如，可以源自匹配)不同姿态下的对应模型(例如，420；425-n)和MOI。每个分数图应包含在分数图的不同位置(例如，p1…pK)的分数。每个所述位置应与一个或多个所述姿态关联。位置(例如，pk)的分数指示与该位置关联的模型(例如，420；425-n)的所述姿态中的所述一个或多个姿态与MOI之间的匹配水平。

按每个MOI获得的所述分数图还可以包含第一对象模型(例如，420)的第一模型分数图(例如，460)。

所述不同姿态通常包括对象模型的不同平移和/或旋转。所述不同姿态还可以涉及对象模型的不同缩放。分数图的每个分数从而可以被视为指示所涉及的姿态与MOI的匹配程度的匹配水平指标，通常为值(例如，整数)的形式。整数形式的分数例如可以指示在MOI和在与位置关联的姿态下的模型之间有多少像素匹配。

动作1103

对于所述子模型(例如，425-1…425-N)分别提供(例如，计算)贡献指标(例如，475-1…475-N)。所述贡献指标中的每个贡献指标(例如，475-n)指示子模型(例如425-n)的作为其一部分的子特征(例如421-n)对不正确匹配的贡献。贡献指标(例如475-1…475-N)基于按照对象匹配算法匹配第一对象模型(例如420)及子模型(例如425-1…425-N)与至少一个模型优化图像(MOI)(例如440)。MOI包含当与第一对象模型(例如420)匹配时导致至少所述不正确匹配的预先定义的训练特征。

本文中使用的不正确匹配通常是假匹配，即，导致对象匹配算法提供对应于或可以被解释为匹配(尽管该匹配是不正确的，即是不正确匹配，或换句话说，是假匹配)的结果的匹配。当用于与MOI匹配的第一对象模型至少按照其某种姿态(例如，在某种平移、旋转和/或缩放下)足够接近在正确匹配的情况下理应的匹配结果，使得难以或者不可能根据匹配结果本身知道结果是否是正确匹配时，可以发生与MOI的不正确匹配。通常，这意味不正确匹配对应于在预先定义或预先确定的范围内的匹配结果，所述范围还覆盖正确匹配可能在或会在其中的范围。这样的范围可以由预先定义或预先确定的数和/或阈值定义。本文中提及的分数阈值是这种阈值的例子。

MOI例如可以是与参考对象相似但不相同的图像对象，和/或可以包含已知导致和/或可能导致不正确匹配的对象和/或特征的组合。在一些实施例中，MOI包含参考对象的一个或多个图像，或者一般来说，也会导致一个或多个正确匹配的一个或多个图像。

如还在本文中的其他地方所述，贡献指标通常是值或数。通过从存储器接收和/或获得，或者通过计算，可以获得贡献指标。

所述一个或多个子特征(例如421-1)的所述减小的影响可以包括第二对象模型(例如480)中不同样本密度的应用。应这样应用不同样本密度，使得第二对象模型中与所述一个或多个子特征(例如421-1)对应的对象特征由比形成第二对象模型中对应于所述其他子特征(例如421-N)的对象特征的样本的样本密度低的样本密度的样本形成，所述一个或多个子特征(例如421-1)与所述其他子特征(例如421-N)相比，对不正确匹配的贡献更大。

样本例如可以是像素。不同样本密度的应用可以涉及从第一对象模型中移除样本和/或向第一对象模型添加样本。这可以是第一对象模型已经例如以单一或均匀的样本密度包含采样对象特征的情况。在一些实施例中，不同样本密度的应用涉及以不同的样本密度对第一对象模型的特征采样，或者对第一对象模型的特征采样，随后移除和/或添加样本。

所述至少一个MOI(例如440)还可以包含当与第一对象模型(例如420)匹配时，导致一个或多个正确匹配的预先定义的训练特征。每个贡献指标(例如475-n)于是应该指示相对于子模型(425-n)的子特征(例如421-n)对正确匹配的贡献的该子模型的该子特征对不正确匹配的贡献。这里，每个贡献指标可以例如对应于相对于彼此的两个值或数，一个关于不正确匹配，一个关于正确匹配，或者以基于所述两个值或数的计算的差值或比率为基础的单一结果数。

动作1103a

在动作1102的情况下，即，当进行该动作并且获得分数图时，提供动作1103的贡献指标可以包括基于所述获得的分数图(例如，460、465-1…465-N)，计算贡献指标(例如475-1…475-N)。

在一些实施例中，每个贡献指标(例如475-n)的计算包括按每个MOI计算第一和，例如，像在式1的分母或式2的和中一样。第一和的各项应分别包括来自至少子模型分数图的与所述不正确匹配对应的各个位置的分数。

此外，在一些实施例中，每个贡献指标(例如475-n)的计算还包括按每个MOI计算第二和，例如像式1的分子中一样。第二和的各项应分别包括来自子模型分数图的与正确匹配对应的一个或多个位置的分数。在这些实施例中，每个贡献指标的计算可以基于按每个MOI使第一和与第二和相关，比如将第二和除以第一和，像式1中一样。

此外，在一些实施例中，第一和的各项可以分别包括来自子模型分数图的除与正确匹配(如果有的话)对应的位置之外的所有位置的分数。

在一些实施例中，第一和的每一项，还有第二和的每一项(如果计算了第二和的话)包含在与该项对应的位置处的子模型分数图的分数与基于第一模型分数图在相同位置的分数的加权函数(例如F)的乘积。加权函数应相对于其他项，增大在与不正确匹配和正确匹配(如果有的话)对应的位置的子模型分数图的分数。加权函数(例如F)应随第一模型分数图的分数呈指数增长。例如，加权函数可以是第一模型分数图的分数的平方。

当所述至少一个MOI是多个MOI时，每个MOI的所述第一和，还有每个MOI的所述第二和(如果计算了第二和的话)可以用于计算每个MOI的子指标，其中每个贡献指标的计算包括将所有MOI的子指标相加。另一种选项是计算第一子和，每个MOI一个，每个第一子和对应于式1中的分母中的和，并且将第一子和相加从而形成总的第一和。按照这种选项，还应有计算的第二子和，每个MOI一个，每个第二子和对应于式1中分子中的和，并且将第二子和相加从而形成总的第二和。所有MOI的子模型的贡献指标于是可以基于使总的第一和与总的第二和相关，例如，将第一和除以第二和。

动作1104

在一些实施例中，基于第一对象模型(例如420)的修改，来生成一个或多个子特征(例如421-1)的影响减小的第二对象模型(例如480)，按照提供的贡献指标(例如475-1…475-N)，所述一个或多个子特征(例如421-1)与其他子特征(例如421-N)相比对不正确匹配的贡献更大。减小的影响是相对于所述其他子特征(例如421-N)来说的。

换句话说，按照贡献指标，与剩余的子特征相比对不正确匹配贡献更大的子特征的影响被减小。第二对象模型从而将包含与第一对象模型相比，对不正确匹配的贡献较小的对象特征。通常，可取的是减小按照贡献指标，对不正确匹配的贡献最大的子特征的影响。在一些实施例中，减小子特征的影响可以包括从第一对象模型中移除这样的子特征或者移除其一部分，例如，更稀疏地对此类子特征采样或者保留此类子特征的较少样本。在一些实施例中，可以按照子特征的贡献指标，对子特征应用不同的加权，以完成所述减小的影响。

第二对象模型从而对不正确匹配的贡献较小，和/或对正确匹配的贡献相对更大。从而，第二对象模型不仅可以获得更精确的结果，而且是允许更快的实现的更高效模型。换句话说，本文中的实施例支持提供用于对象匹配的改进的对象模型。

上面关于图11讨论的方法和/或动作通常由一个或多个设备进行，例如具有处理能力的计算机和/或硬件单元，例如，具有至少部分专用和/或专门为对象匹配使用而配置的处理能力的通用计算机和/或硬件。在一些实施例中，所述方法可以由分布式单元进行，例如机器视觉系统的一部分，和/或通过涉及远程设备，例如远程计算机网络(例如计算机云)的一部分来进行。所述方法的动作从而例如作为云服务的一部分进行。例如，第一对象模型，可能还有关于要使用的第一对象模型的子模型的信息可以从第一设备上传到计算机，所述计算机可以访问适当的预先定义的MOI，并且提供贡献指标(例如通过计算贡献指标)。然后可以提供(例如返回)贡献指标以用于生成第二对象模型，或者生成第二对象模型本身并返回或提供给另一个设备，在所述另一个设备处，第二对象模型将被应用。

图12是图解说明用于进行如上例如关于图11讨论的方法和/或动作的一个或多个设备1200的实施例的示意方框图。设备1200可以对应于或者包含具有处理能力的计算机和/或硬件单元，所述处理能力可以是专用于和/或专门为对象匹配使用而配置的，例如被实现成对象匹配中所涉及的摄像头单元的一部分。在一些实施例中，设备1200可以对应于或者包含所谓的计算机云或其计算机，例如，当所述方法和动作或其一部分由这样的云或基于云的服务执行时。这种情况下，意味着所述方法或动作由云的至少一个计算机部分进行，并用于提供云服务，尽管计算机的位置和所涉及的计算机可能很难或甚至不可能识别。例如，可能的此类实现可以涉及经由云服务上传第一对象模型，然后接收返回的第二对象模型，第二对象模型由云服务按照本文中的实施例如此提供，或者上传第一对象模型并且指示子特征或子模型，随后作为响应接收这些子特征或子模型的贡献指标，所述贡献指标从而可以用于生成第二对象模型。

从而，设备1200可以用于支持用于按照对象匹配算法(例如450)的对象匹配的基于第一对象模型(例如420)的第二对象模型(例如480)的生成。第一对象模型(例如420)包含被成像的参考对象(例如411)的对象特征(例如421-1…421-N)。

设备1200可以包括信号和数据的处理和例如编码所涉及的至少一个处理电路1201，作为例示硬件模块和/或电路，并且可以包含或对应于一个或多个处理器或处理电路。

设备1200还可以包括至少一个存储器1202，存储器1202可以包含(比如容纳或存储)至少一个计算机程序1203。计算机程序1203包括可以由设备1200直接或间接执行，以至少进行所述方法和/或动作的一部分的“指令”或“代码”。存储器1202可以包括一个或多个存储单元，并且还可以被安排成存储执行本文中的实施例的功能和动作所涉及的或用于进行所述功能和动作的数据(比如配置、数据和/或值)。在一些实施例中，存储器1202可以包括可由处理电路1201执行，由此设备1200可操作或被配置成进行所述方法和/或其动作的计算机程序1203。

设备1200(例如，处理电路1201)可以包括至少一个输入/输出(I/O)电路1204，所述I/O电路1204被配置成参与(例如，通过进行)往来于其他单元和/或设备的任何通信，比如往来于在设备1200之外的设备发送和/或接收信息。当适用时，I/O电路1204可以用获得(例如接收)模块和/或提供(例如发送)模块来例示。

此外，在一些实施例中，设备1200(例如，处理电路1201)包括处理模块、获得模块、提供模块、生成模块和计算模块中的一个或多个，作为用于执行本文中的实施例的动作的例示硬件和/或软件模块。这些模块可以全部或部分由处理电路1201实现。

从而：

设备1200和/或处理电路1201和/或I/O电路1204和/或获得模块可操作或被配置成获得分别包括包含在第一对象模型(例如420)中的所述对象特征(例如421-1…421-N)的所述不同子特征(例如421-1…421-N)的所述子模型(例如425-1…425-N)。

设备1200和/或处理电路1201和/或I/O电路1204和/或提供模块还可操作或被配置成分别提供(例如计算)子模型(例如425-1…425-N)的所述贡献指标(例如475-1…475-N)。

此外，在一些实施例中，设备1200和/或处理电路1201和/或生成模块还可操作或被配置成基于第一对象模型(例如420)的所述修改，来生成一个或多个子特征(例如421-1)的影响减小的第二对象模型(例如480)，按照提供的贡献指标(例如475-1…475-N)，所述一个或多个子特征(例如421-1)与其他子特征(例如421-N)相比对不正确匹配的贡献更大，其中所述减小的影响是相对于所述其他子特征(例如421-N)来说的。

此外，在一些实施例中，设备1200和/或处理电路1201和/或I/O电路1204和/或获得模块还可操作或被配置成按每个MOI(例如440)分别获得包含至少子模型(例如，425-1…425-N)的所述子模型分数图(例如，465-1…465-N)的所述分数图(例如460，465-1…465-N)。在这些实施例中，设备1200和/或处理电路1201和/或I/O电路1204和/或计算模块可操作或被配置成基于所述获得的分数图(例如460，465-1…465-N)，计算贡献指标(例如475-1…475-N)。

图13是图解说明与使上面讨论的的所述设备1200进行关于图11说明的所述方法和动作的一个或多个计算机程序及其载体相关的一些实施例的示意图。

计算机程序可以是计算机程序1203，并且包括当由处理电路1201和/或处理模块执行时，使设备1200进行如上所述的操作的指令。在一些实施例中，提供包含计算机程序1203的一个或多个载体，或者更具体地，数据载体，例如计算机程序产品。载体，或者所述载体中的每一个可以是电子信号、光信号、无线电信号和一个或多个计算机可读存储介质(例如，如图中示意图解所示的一个或多个计算机可读存储介质1301)中的一个。因此，计算机程序1203可以存储在一个或多个计算机可读存储介质1301上。载体可以排除临时性的传播信号，并且数据载体可以相应地被称为非临时性数据载体。作为计算机可读存储介质的数据载体的非限制性例子是存储卡或记忆棒、诸如CD或DVD之类的盘式存储介质、或者通常基于硬盘驱动器或固态驱动器(SSD)的大容量存储设备。一个或多个计算机可读存储介质1301可以用于存储可通过计算机网络1302，例如因特网或局域网(LAN)，访问的数据。此外，计算机程序1303可作为纯计算机程序来提供，或者包含在一个或多个文件中。所述文件可以存储在一个或多个计算机可读存储介质1301上，并且例如经由服务器，例如通过如图中所示的计算机网络1302，通过下载获得。服务器例如可以是web或文件传输协议(FTP)服务器。所述一个或多个文件例如可以是可执行文件，用于直接或间接下载到所述设备并在所述设备上执行，以使所述设备进行如上所述的操作，例如通过由处理电路1201执行。所述一个或多个文件还可以或者可替换地用于涉及相同的或另外的处理器的中间下载和编译，以使它们在进一步下载和执行之前可以执行，从而使所述设备1200进行如上所述的操作。

注意上面提及的任何处理模块和电路可以被实现成软件和/或硬件模块，例如，用现有硬件和/或作为专用集成电路(ASIC)、现场可编程门阵列(FPGA)等实现。另外，注意上面提及的任何硬件模块和/或电路例如可以包含在单个ASIC或FPGA中，或者可以分布在几个独立的硬件组件中，无论所述硬件组件是单独封装的还是组装成片上系统(SoC)的。

本领域的技术人员还会意识到本文中讨论的模块和电路可以指的是硬件模块、软件模块、模拟和数字电路和/或配置有例如存储在存储器中的软件和/或固件的一个或多个处理器的组合，当由一个或多个处理器执行时，所述软件和/或固件可以使设备、传感器等被配置成和/或进行上述方法和动作。

本文中利用任何标识符的标识可以是隐式或显式的。所述标识在特定上下文中可能是唯一的，例如对于特定的计算机程序或程序提供者。

本文中使用的术语“存储器”可以指的是用于存储数字信息的数据存储器，通常是硬盘、磁存储装置、介质、便携式计算机软磁盘或磁盘、闪存、随机存取存储器(RAM)等。此外，存储器可以是处理器的内部寄存器存储器。

另外注意，如第一值、第二值、第一设备、第二设备之类的任何枚举术语本身应被视为非限制性的，术语本身并不意味某种层次关系。在没有任何相反的明确信息的情况下，通过枚举的命名应被认为仅仅是实现不同名称的一种方式。

本文中使用的术语“数”或“值”通常可以指的是任意类型的数字，比如二进制数、实数、虚数或有理数等。此外，“数”或“值”可以是一个或多个字符，比如字母或一串字母。另外，“数”或“值”可以用比特串表示。

本文中使用的表述“配置成”可以意味处理电路被配置成或适合于借助软件或硬件配置，进行本文中说明的一个或多个动作。

本文中使用的表述“可以”和“在一些实施例中”通常用于指示所说明的特征可以与本文中公开的任何其他实施例组合。

附图中，通常使用虚线或短划线绘制了可能只存在于一些实施例中的特征。

当使用词语“包含”或“包括”时，它应被解释成非限制性的，即，意味“至少由…组成”。

本文中的实施例不限于上述实施例。可以使用各种替代、修改和等同物。于是，上述实施例不应被视为限制本公开的范围，本公开的范围由所附的权利要求书限定。