UI自动化测试框架图像识别原理

　　AirtestIDE 是一个跨平台的UI自动化测试编辑器，适用于游戏和App。

　　·自动化脚本录制、一键回放、报告查看，轻而易举实现自动化测试流程

　　·支持基于图像识别的Airtest框架，适用于所有Android和Windows游戏

　　·支持基于UI控件搜索的Poco框架，适用于Unity3d，Cocos2d与Android App

　　一句话总结：我们推出了两款基于Python的UI自动化测试框架Airtest(用截图写脚本)和Poco(用界面UI元素来写脚本)，可以用我们提供的AirtestIDE来快速编写你的自动化测试脚本~

　　本文重点是针对Airtest中的图像识别进行代码走读，加深对图像识别原理的理解

　　1、准备工作，下载好源码 https://github.com/AirtestProject/Airtest

　　2、我们从最简单的touch方法入手，即为点击某个传入的图片，源码在api.py里面

　　@logwrap

　　def touch(v, times=1, **kwargs):

　　"""

　　Perform the touch action on the device screen

　　:param v: target to touch, either a Template instance or absolute coordinates (x, y)

　　:param times: how many touches to be performed

　　:param kwargs: platform specific `kwargs`, please refer to corresponding docs

　　:return: finial position to be clicked

　　:platforms: Android, Windows, iOS

　　"""

　　if isinstance(v, Template):

　　pos = loop_find(v, timeout=ST.FIND_TIMEOUT)

　　else:

　　try_log_screen()

　　pos = v

　　for _ in range(times):

　　G.DEVICE.touch(pos, **kwargs)

　　time.sleep(0.05)

　　delay_after_operation()

　　return pos

　　click = touch # click is alias of touch

　　这个函数执行点击操作的是 G.DEVICE.touch(pos, **kwargs)

　　而pos就是图片匹配返回的坐标位置，我们重点看loop_find这个函数

　　@logwrap

　　def loop_find(query, timeout=ST.FIND_TIMEOUT, threshold=None, interval=0.5, intervalfunc=None):

　　"""

　　Search for image template in the screen until timeout

　　Args:

　　query: image template to be found in screenshot

　　timeout: time interval how long to look for the image template

　　threshold: default is None

　　interval: sleep interval before next attempt to find the image template

　　intervalfunc: function that is executed after unsuccessful attempt to find the image template

　　Raises:

　　TargetNotFoundError: when image template is not found in screenshot

　　Returns:

　　TargetNotFoundError if image template not found, otherwise returns the position where the image template has

　　been found in screenshot

　　"""

　　G.LOGGING.info("Try finding:\n%s", query)

　　start_time = time.time()

　　while True:

　　screen = G.DEVICE.snapshot(filename=None)

　　if screen is None:

　　G.LOGGING.warning("Screen is None, may be locked")

　　else:

　　if threshold:

　　query.threshold = threshold

　　match_pos = query.match_in(screen)

　　if match_pos:

　　try_log_screen(screen)

　　return match_pos

　　if intervalfunc is not None:

　　intervalfunc()

　　# 超时则raise，未超时则进行下次循环:

　　if (time.time() - start_time) > timeout:

　　try_log_screen(screen)

　　raise TargetNotFoundError('Picture %s not found in screen' % query)

　　else:

　　time.sleep(interval)

　　首先会获取手机屏幕截图，然后对比脚本传入图片获取匹配上的位置

　　match_pos = query.match_in(screen)

　　在cv.py 里面找到 Template类的 match_in方法

　　def match_in(self, screen):

　　match_result = self._cv_match(screen)

　　G.LOGGING.debug("match result: %s", match_result)

　　if not match_result:

　　return None

　　focus_pos = TargetPos().getXY(match_result, self.target_pos)

　　return focus_pos

　　重要的是 self._cv_match(screen)

　　@logwrap

　　def _cv_match(self, screen):

　　# in case image file not exist in current directory:

　　image = self._imread()

　　image = self._resize_image(image, screen, ST.RESIZE_METHOD)

　　ret = None

　　for method in ST.CVSTRATEGY:

　　if method == "tpl":

　　ret = self._try_match(self._find_template, image, screen)

　　elif method == "sift":

　　ret = self._try_match(self._find_sift_in_predict_area, image, screen)

　　if not ret:

　　ret = self._try_match(self._find_sift, image, screen)

　　else:

　　G.LOGGING.warning("Undefined method in CV_STRATEGY: %s", method)

　　if ret:

　　break

　　return ret

　　这里传入的图像需要进行缩放变化，写用例时候的截图进行变换后转换成跑用例时候的截图，以提高匹配成功率

　　image = self._resize_image(image, screen, ST.RESIZE_METHOD)

　　这里的匹配方法会遍历ST.CVSTRATEGY里面的方法，这个定义在Setting.py文件里面，默认是包含两种方法的

　　CVSTRATEGY = ["tpl", "sift"]

　　如果某个方法匹配上了，就返回匹配结果，那么接下来就是重点搞清楚这几个方法是怎样实现的了。

　　_find_sift_in_predict_area也会调用到 _find_sift，那么接下重点就是分析这两个方法了

　　cv.py 中的 _find_template _find_sift

　　def _find_template(self, image, screen):

　　return aircv.find_template(screen, image, threshold=self.threshold, rgb=self.rgb)

　　def _find_sift(self, image, screen):

　　return aircv.find_sift(screen, image, threshold=self.threshold, rgb=self.rgb)

　　3、先看

　　aircv.find_template 具体实现在 template.py

　　def find_template(im_source, im_search, threshold=0.8, rgb=False):

　　"""函数功能：找到最优结果."""

　　# 第一步：校验图像输入

　　check_source_larger_than_search(im_source, im_search)

　　# 第二步：计算模板匹配的结果矩阵res

　　res = _get_template_result_matrix(im_source, im_search)

　　# 第三步：依次获取匹配结果

　　min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

　　h, w = im_search.shape[:2]

　　# 求取可信度:

　　confidence = _get_confidence_from_matrix(im_source, im_search, max_loc, max_val, w, h, rgb)

　　# 求取识别位置: 目标中心 + 目标区域:

　　middle_point, rectangle = _get_target_rectangle(max_loc, w, h)

　　best_match = generate_result(middle_point, rectangle, confidence)

　　LOGGING.debug("threshold=%s, result=%s" % (threshold, best_match))

　　return best_match if confidence >= threshold else None

　　重点在 _get_template_result_matrix

　　def _get_template_result_matrix(im_source, im_search):

　　"""求取模板匹配的结果矩阵."""

　　# 灰度识别: cv2.matchTemplate( )只能处理灰度图片参数

　　s_gray, i_gray = img_mat_rgb_2_gray(im_search), img_mat_rgb_2_gray(im_source)

　　return cv2.matchTemplate(i_gray, s_gray, cv2.TM_CCOEFF_NORMED)

　　这里可以看到，Airtest也没有自己研究一套很牛逼的算法，直接用的OpenCV的模板匹配方法

　　4、接着看另外一个方法

　　sift.py

　　def find_sift(im_source, im_search, threshold=0.8, rgb=True, good_ratio=FILTER_RATIO):

　　"""基于sift进行图像识别，只筛选出最优区域."""

　　# 第一步：检验图像是否正常：

　　if not check_image_valid(im_source, im_search):

　　return None

　　# 第二步：获取特征点集并匹配出特征点对: 返回值 good, pypts, kp_sch, kp_src

　　kp_sch, kp_src, good = _get_key_points(im_source, im_search, good_ratio)

　　# 第三步：根据匹配点对(good),提取出来识别区域:

　　if len(good) == 0:

　　# 匹配点对为0,无法提取识别区域：

　　return None

　　elif len(good) == 1:

　　# 匹配点对为1，可信度赋予设定值，并直接返回:

　　return _handle_one_good_points(kp_src, good, threshold) if ONE_POINT_CONFI >= threshold else None

　　elif len(good) == 2:

　　# 匹配点对为2，根据点对求出目标区域，据此算出可信度：

　　origin_result = _handle_two_good_points(im_source, im_search, kp_src, kp_sch, good)

　　if isinstance(origin_result, dict):

　　return origin_result if ONE_POINT_CONFI >= threshold else None

　　else:

　　middle_point, pypts, w_h_range = _handle_two_good_points(im_source, im_search, kp_src, kp_sch, good)

　　elif len(good) == 3:

　　# 匹配点对为3，取出点对，求出目标区域，据此算出可信度：

　　origin_result = _handle_three_good_points(im_source, im_search, kp_src, kp_sch, good)

　　if isinstance(origin_result, dict):

　　return origin_result if ONE_POINT_CONFI >= threshold else None

　　else:

　　middle_point, pypts, w_h_range = _handle_three_good_points(im_source, im_search, kp_src, kp_sch, good)

　　else:

　　# 匹配点对 >= 4个，使用单矩阵映射求出目标区域，据此算出可信度：

　　middle_point, pypts, w_h_range = _many_good_pts(im_source, im_search, kp_sch, kp_src, good)

　　# 第四步：根据识别区域，求出结果可信度，并将结果进行返回:

　　# 对识别结果进行合理性校验: 小于5个像素的，或者缩放超过5倍的，一律视为不合法直接raise.

　　_target_error_check(w_h_range)

　　# 将截图和识别结果缩放到大小一致,准备计算可信度

　　x_min, x_max, y_min, y_max, w, h = w_h_range

　　target_img = im_source[y_min:y_max, x_min:x_max]

　　resize_img = cv2.resize(target_img, (w, h))

　　confidence = _cal_sift_confidence(im_search, resize_img, rgb=rgb)

　　best_match = generate_result(middle_point, pypts, confidence)

　　print("[aircv][sift] threshold=%s, result=%s" % (threshold, best_match))

　　return best_match if confidence >= threshold else None

　　重点看如何找到特征点集

　　def _get_key_points(im_source, im_search, good_ratio):

　　"""根据传入图像,计算图像所有的特征点,并得到匹配特征点对."""

　　# 准备工作: 初始化sift算子

　　sift = _init_sift()

　　# 第一步：获取特征点集，并匹配出特征点对: 返回值 good, pypts, kp_sch, kp_src

　　kp_sch, des_sch = sift.detectAndCompute(im_search, None)

　　kp_src, des_src = sift.detectAndCompute(im_source, None)

　　# When apply knnmatch , make sure that number of features in both test and

　　# query image is greater than or equal to number of nearest neighbors in knn match.

　　if len(kp_sch) < 2 or len(kp_src) < 2:

　　raise NoSiftMatchPointError("Not enough feature points in input images !")

　　# 匹配两个图片中的特征点集，k=2表示每个特征点取出2个最匹配的对应点:

　　matches = FLANN.knnMatch(des_sch, des_src, k=2)

　　good = []

　　# good为特征点初选结果，剔除掉前两名匹配太接近的特征点，不是独特优秀的特征点直接筛除(多目标识别情况直接不适用)

　　for m, n in matches:

　　if m.distance < good_ratio * n.distance:

　　good.append(m)

　　# good点需要去除重复的部分，(设定源图像不能有重复点)去重时将src图像中的重复点找出即可

　　# 去重策略：允许搜索图像对源图像的特征点映射一对多，不允许多对一重复(即不能源图像上一个点对应搜索图像的多个点)

　　good_diff, diff_good_point = [], [[]]

　　for m in good:

　　diff_point = [int(kp_src[m.trainIdx].pt[0]), int(kp_src[m.trainIdx].pt[1])]

　　if diff_point not in diff_good_point:

　　good_diff.append(m)

　　diff_good_point.append(diff_point)

　　good = good_diff

　　return kp_sch, kp_src, good

　　至于这个sift是什么对象

　　def _init_sift():

　　"""Make sure that there is SIFT module in OpenCV."""

　　if cv2.__version__.startswith("3."):

　　# OpenCV3.x, sift is in contrib module, you need to compile it seperately.

　　try:

　　sift = cv2.xfeatures2d.SIFT_create(edgeThreshold=10)

　　except:

　　print("to use SIFT, you should build contrib with opencv3.0")

　　raise NoSIFTModuleError("There is no SIFT module in your OpenCV environment !")

　　else:

　　# OpenCV2.x, just use it.

　　sift = cv2.SIFT(edgeThreshold=10)

　　return sift

　　可以看到，用到的也是OpenCV的方法，如果是OpenCV3则查找图像特征点集的方法就是

　　cv2.xfeatures2d.SIFT_create(edgeThreshold=10).detectAndCompute()

　　5.总结下来，最终用到的就是OpenCV的两个方法，模版匹配和特征匹配

　　模板匹配 cv2.mathTemplate

　　特征匹配 cv2.FlannBasedMatcher(index_params,search_params).knnMatch(des1,des2,k=2)

　　哪个优先匹配上了，就直接返回结果

　　6、总结

　　图像识别，对不能用ui控件定位的地方的，使用图像识别来定位，对一些自定义控件、H5、小程序、游戏，都可以支持;

　　支持多个终端，使用图像识别的话可以一套代码兼容android和ios哦，用ui控件定位的话需要兼容一下。

　　缺点：对于背景透明的按钮或者控件，识别难度加大

　　以上内容为大家介绍了UI自动化测试框架图像识别原理，本文由多测师亲自撰写，希望对大家有所帮助。了解更多自动化测试相关知识：https://www.aichudan.com/xwzx/