基于匹配的目標識別研究綜述

謝云璇

摘 要：目標識別是現代智能監控系統的重要組成部分，其中基于匹配的目標識別是一個重要的研究方向。該文對其國內外研究現狀和應用背景進行綜述，介紹了幾種常用的基于匹配的目標識別方式，對進一步的算法選擇和研究提供了參考。

關鍵詞：匹配 目標識別 角點檢測 現狀

中圖分類號：V243.1 文獻標識碼：A 文章編號：1674-098X（2017）01（c）-0110-02

1 目標識別算法的研究現狀

現代智能監控系統主要分為目標識別和跟蹤兩部分，而最重要的是目標識別部分。其算法主要分為：（1）基于統計模式識別的算法；（2）基于匹配的識別算法。

1.1 基于統計的識別算法

該算法原理是將目標識別當作從樣本中區分出目標所屬種類，識別前需用大量樣本對分類器進行訓練。支持向量機（SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在小樣本分類學習中有性能和速度上的明顯優勢。

1.2 基于匹配的識別算法

模板匹配是在圖像域直接利用像素灰度匹配，簡單、實時性好，但抗干擾能力、適應性和魯棒性均不高。

因此，學者們提出了基于特征匹配的目標識別算法。2004年，Hahnel和Klunder等提出利用顏色、紋理特征對人進行識別。同年，Csurka等提出利用一組特征點分類識別物體。2005年，Berg等提出通過物體的形狀特征進行識別。2007年，Ullman提出基于圖像塊機制的目標識別方法。2009年，Cao等人提出基于角點特征匹配的目標識別方法。基于特征匹配的方法最大的優點是對于幾何變形和亮度變化不敏感，且算法的魯棒性較好。

2 基于模板匹配的目標識別

2.1 概述

基于模板匹配的目標識別因計算量小、識別率高等優點已被應用于汽車、指紋、人臉等多領域，其對視頻或連續圖像中跟蹤特定目標也有很好的準確性。

2.2 常用的模板匹配算法

FS算法是實現模板匹配最簡單有效的算法，但易受像素值影響，不一定能正確匹配。文獻[2]使用NCC作為度量方法，兼顧了穩定性和匹配速度。文獻[3]使用漢明距離定義模板與識別窗間的匹配相似性，減少了計算量。文獻[3]基于圖像描述子方法進行目標識別，減少了計算量。

快速模板匹配算法大致可分為以下幾種。

（1）快速傅里葉變換算法（FFT算法）。匹配結果與FS算法一致，但無需搜索候選窗口，而是計算模板在圖像各個位置上的相似度值。

（2）全搜索等價算法。一般采用逐層篩選策略，匹配結果同FS算法，但速度更快。

（3）非全搜索等價算法。采用搜索查找空間，或在特征空間中近似匹配的策略加快匹配速度，但其結果不一定與FS算法一致。

3 基于特征匹配的目標識別

3.1 目標特征概述

圖像的特征一般可以分為以下幾種。

（1）直觀性特征：①基于邊緣的方法：常用拉氏算子、Mary算子等進行邊緣檢測。Nevada在1980年提出一個較成功的直線特征提取案例。Alireza等在2002年引入模糊理論選擇邊緣點。②基于區域的方法：通常用于建筑等區域信息較強的目標。孫琪等人在2001年介紹了一種在紅外圖像中提取出橋梁的方法。③基于紋理的方法：以灰度共生矩陣為基礎的紋理特征提取是一種常見的有效方法。

（2）灰度的統計特征。主要是指直方圖特征等，目前常引入統計上的各階矩作為特征。

（3）代數特征。將圖像作為矩陣看待，對其進行各種代數變換，或矩陣分解以得到目標特征。

（4）變換系數特征。對圖像進行Fourier變換、小波變換等，能從時域、頻域等多方面分析，能更本質地反映目標。

3.2 基于角點特征的目標識別

角點就是極值點，目前仍無明確的數學定義。通過檢測角點進行目標識別加快了計算速度，使實時處理成為可能。

目前，角點檢測算法主要分為：（1）基于圖像邊緣信息的角點檢測算法；（2）基于圖像灰度信息的角點檢測算法；（3）基于小波變化的角點檢測算法。

3.2.1 基于圖像邊緣信息的角點檢測算法

此類算法將角點視作由2條或多條邊界線相交而成的點。

20世紀70年代，A.Rosenfeld等和H.Freeman等提出用角點強度k來計算角點。1983年，J.Ponce和M.Brady提出將圖像對x，y求偏導數來求角點。同年，A.P.Witkin提出采用自適應彎曲度求取角點的方法。1986年，Asada等改進A.Rosenfeld的算法，提出先進行邊緣平滑以去除干擾。1993年，Cooper利用鏈碼處像素坐標估計最大曲率值來求角點。1996年，Hsin-Teng和Wu-Chin Hu利用多邊形近似邊界鏈，將交點作為角點。2004年，鐘寶江和廖文和提出了隱式精化數字化曲線策略，推出一種新的角點強度公式。

此類算法對邊緣提取算法依賴性較強，邊緣線中斷將嚴重影響檢測結果。

3.2.2 基于圖像灰度信息的角點檢測算法

此類算法主要通過計算梯度及曲率來檢測角點，大致分為：（1）基于方向導數；（2）直接基于圖像的亮度對比關系。

此類算法最早由Kitchen-Rosenfeld提出。Moravec提出利用灰度方差提取“興趣算子”來提取角點。1988年，Harris等人改進了Moravec算子，提出了著名的Harris角點檢測算子。1997年，Smith和Brady提出了具有很強抗噪聲性能的SUSAN提取算子。1998年，Trajkovic和Hedley就是基于同值分割吸收核（USAN）算法提出了一種快速角點檢測方法——MIC算法。

此類算法缺點是定位精度較低。

3.2.3 基于小波變化的角點檢測算法

小波變換對分析圖像局部特征十分有效。根據尺度空間的圖像分析理論，1992年，Rattarangsi提出基于尺度空間的角點檢測思想。1998年，Mokhtarian和Suomela基于尺度空間提出一種高尺度檢測角點，降低尺度改善角點定位的新的角點檢測算法。

王展等人采用二階導數零交叉邊緣檢測算子以及圍線跟蹤算法提取邊緣曲線，用一組自相似二進Gabor小波變換濾波器將頻域分為多個子帶，對兩不同尺度濾波器輸出求差并取模，根據結果判定該點是否是角點。

4 結語

基于匹配的目標識別是圖像識別、目標跟蹤等研究領域非常重要的研究方向，其中特征匹配、焦點檢測、小波變換等都具有廣泛的應用范圍。該文介紹了多種基于匹配的目標識別方式，分析其發展和優缺點，對進一步的算法選擇和研究提供了參考。

參考文獻

[1] Lewis JP.Fast Template Matching[J].Vision Interface ，1995，32（4）：351-361.

[2] Kim Jeesun，Cvejic Erin，Davis Chris.Tracking eyebrows and head gestures associated with spoken prosody[J].Speech Communication， 2014（57）：317-330.

[3] Zhang J，Marszalek M，Lazebnik S，et al.Local Features and Kernels for Classification of Texture and Object Categories： A Comprehensive Study[J].International Journal of Computer Vision，2007，73（2）：213-238.