計算機視覺中的圖匹配方法研究

張新強

摘? ?要：計算機視覺在各行各業得到廣泛的運用，在圖片轉化中常常會使用到圖匹配的方式來降低誤差，提升視覺效果。通過將兩張或兩張以上的圖進行對比分析，來提高計算機視覺分析的精密度和準確性。在長期的研究過程中出現了多種圖匹配的方法，文章就不同的匹配方法進行綜合論述，以期從中找到一些共同之處和創新點，為計算機的圖匹配領域提供新的理論資料。

關鍵詞：計算機視覺;圖匹配方法;計算機

現階段，計算機視覺要求的精密度和智能化水平越來越高。影響計算機視覺效果的因素有很多，既有硬件方面的，也有軟件方面的問題。就硬件水平而言，目前，專業攝像頭的像素已經達到一個很高的標準，因此，想要實現視覺效果的提升就必須在軟件上下功夫，即在算法、系統和圖匹配方式上進行優化升級。本文重點就圖匹配的方式進行詳細論述，在此之前，關于匹配方式的問題少有論述，本文將彌補圖匹配方面理論研究的不足，豐富相關科研資料。

1? ? 匹配方式對計算機視覺效果的影響

1.1? 矢量特征描述法

矢量特征描述法簡而言之就是對線條的描述和刻畫，這種技術被廣泛地運用于零件制造行業。這種描述方式更適合對線性指標進行處理，在對色彩豐富、圖形復雜的圖片進行處理時其精確度就會明顯下降。這是由其工作原理所導致的，不同的工作原理決定了它獨有的服務對象和工作效率。在使用矢量特征描述的方式對現實生活中的圖片進行處理時，常常會出現失誤率高、系統運行負荷過大等情況。矢量描述的方法更適合傳統的零件加工行業，在節約成本的同時，也能夠滿足零件生產過程中的基本要求。對于精密度高、較為復雜的圖紙，使用矢量特征表述的方法缺乏專業性，尤其是對產品的精度要求嚴格的企業，這時就需要使用更為立體、全面的圖模型方法。

1.2? 圖模型法

圖模型法是現階段最常用的圖匹配方法，通過對圖片進行精細化處理，對圖片的內容進行建模，通過對兩種模型具體情況的對比來提高匹配的準確性。圖模型法能夠將平面的照片立體化、層次化，使圖片不局限于平面上，使用批次對照的方式，使圖片對比更加細致化，即使用圖模型的方式能夠細化像素、曝光、白平衡等因素對照片質量的影響，通過數字化智能處理的方式，讓圖形中的內容“活起來”。這種方式適用于多個領域對圖片進行匹配的要求。第一步通過智能化程序快速對圖片內容進行掃描;第二步進行建模;第三步根據層次化的模型分層對比或匹配，通過科學合理的匹配方案讓圖匹配更加高效、便捷[1]。

2? ? 計算機視覺中圖匹配方法的組成要點

2.1? 特征空間

在圖片的拍攝過程中，極易受到人為因素的影響，導致圖片的質量存在誤差，在構圖、亮度、對比度、光照等各個方面，任何一個環節的參數變動都會導致照片存在或多或少的差異，導致匹配過程難度提升。所謂特征空間就是指在圖片匹配環節，圖片的具體參數及情況。不同的圖片有不同的參數，在處理時，把握不同圖片參數之間的關系，通過電腦進行整體性分析，既要凸顯相同點、相似率，更要明確不同點。圖片特征問題是對圖片進行處理的第一步，在匹配時，為匹配對象確定一個大致的特征區間，是區間內圖片的各項參數保持相對平均的基本方法。

2.2? 相似性度量

在匹配的過程中，依據的是相似度的高低。相似度既是衡量相似性也是衡量匹配準確性的重要表現形式之一。在匹配時，應當通過隨機的方式，保證不同組都有分工，保證每一組內的圖片在特征上的相似度大致滿足。通過數字化的結果保證相似性度量。通過函數進行相似度的分析，將復雜的數據使用函數表現出來。相似性的度量方式是建立在函數相似性基礎上的，因此，在這一過程中，選擇正確的函數公式和回歸方程是基礎，也是相似性匹配的基本保障[2]。

2.3? 搜索空間

搜索空間即帶估計參數組成的空間。對參數內容進行初步歸納，從而形成一個一定范圍的空間，最后將不同圖的參數區間進行匹配。這種匹配方式使匹配過程更加直觀、更富有科學依據。根據參數的不同，能夠反映的不僅是圖片的質量，更包含了圖片的色彩、內容等因素。隨著互聯網技術的發展和計算機成像技術的成熟，電腦顯示器也存在失真的情況，因此，使用參數進行匹配的方式更符合計算機的運行特點。通過細微參數的匹配方式能夠反應出肉眼所無法直觀看到的差異。使用參數作為搜索更適合計算機的工作模式，能夠保證檢索的快速性和配對的準確性。

2.4? 搜索策略

搜索策略即搜索時選擇的途徑和方案。通過對圖片參數的比對，選擇合適的搜索方案，搜索方案的選擇決定了搜索的準確性和全面性。搜索策略的優化，是控制匹配誤差、提高匹配質量的最好途徑。在搜索策略的選擇上，應當遵循最優選擇的原則。隨著計算機核心數量的增多，可以實現多核心同時運轉，同時負責不同算法的分工，因此，在圖形匹配時，計算機系統會自動使用不同搜索方案進行配對，通過對不同結果進行分析，用大數據分析的方法擇優使用最佳方案。

3? ? 現階段計算機視覺中主要的圖匹配方法

目前而言，計算機視覺中的圖匹配方法主要有以下3種，即譜方法、雙隨機約束松弛法、稀疏約束松弛法。在實際匹配過程中，合理地利用3種方法能夠有效增加計算機匹配的精確程度，每種方法都有其優點和可取之處，通過對匹配方法的具體分析能夠促進匹配方式的融合和革新，為綜合性圖匹配方式的研發提供參考[3]。

3.1? 譜方法

譜方法是建立在光滑函數基礎上的運算方式。在計算機視覺中的具體運用分為兩種方式，即譜松弛和譜嵌入。兩者在運算方式上，沒有絕對的區別，但是在處理方式上存在差異。譜嵌入是指在圖匹配過程中，使兩個圖像之間的點進行對位，從周邊到中間，通過點的對位情況判斷匹配程度。在權值匹配的過程中，目前廣泛使用的譜方法主要有正交約束的譜松弛法、奇異值分解的譜嵌入法、圖鄰接矩陣的譜嵌入法和聯合嵌入模型圖塊。這些都是在譜方法的基礎上進行衍生和升級的方法。雖然前者可以從整個圖像中得到最佳正值，但往往會得到負值的最終結果，因此，有必要保證圖像的均勻性，執行圖形匹配時的大小。同時，結合嵌入模型圖匹配方法，綜合分析了圖中所有不動點的嵌入與匹配，構建了系統模型，實現了圖頂點嵌入與匹配的協同。

3.2? 雙隨機約束松弛法

雙隨機約束松弛法是圖匹配中常用的方法。它是運用線性規劃和路徑跟隨的方式進行圖形匹配的，這種匹配方式更具有代表性。運用線性規劃相當于是一個無限取近似值的過程，通過對近似值的判斷和獲取，獲得圖像匹配過程中的重要信息。運用函數的特點，使匹配過程中主體圖像A和參考對象X進行重試、匹配。路徑跟隨的方法是將匹配對象和被匹配對象定義為兩種函數，一者定義為凹函數，另一者定義為凸函數，最后將凹凸函數整合起來，得出一個復合函數，使用復合函數與被匹配對象進行匹配，求出最優解。以上兩種方式的特點在于，充分使用數學函數的方式，實現逐層運算，在運算能力和內容上更加全面和細致，然而在圖像與函數的轉換過程中還存在有一定的問題。

3.3? 稀疏約束松弛法

稀疏約束松弛法是從數據離散性的角度進行分析，在譜方法和雙隨機約束松弛法中，研究的重點是，不同圖像之間參數的集中程度，通過對集中程度進行概括從而確定圖像的相似度。稀疏約束松弛法是對所得的結果進行離散化處理，該種方法具備譜方法和雙隨機約束松弛法的全部優點，并且在此基礎上，能夠對匹配結果進行離散化處理。稀疏約束松弛法可以視為以上兩種方法的綜合和提升。通過對圖片的分散情況進行分析，來確定圖片像素的集中程度、不同色彩之間的配比，從尋找差異的角度去匹配圖片，能夠簡化計算機的工作流程，提高匹配速率。

4? ? 結語

圖匹配技術有賴于計算機運算技術的發展，精確化的匹配需要計算機具備強大的運算能力，對計算機造成的負荷也更大。匹配方式的選擇決定了運算方式的差異，針對不同的圖像選擇適合的運算方法，在長期的經驗積累中，形成圖像匹配的客觀規律，用規律指導匹配過程。使用不同的匹配方式在數據結果上各有側重也各有優劣。圖匹配技術還存在良好的上升空間。為實現精確化處理，在圖匹配的方法選擇上也應當遵循擇優處理的原則。

[參考文獻]

[1]嚴駿馳，楊小康.計算機視覺中圖匹配研究進展：從二圖匹配邁向多圖匹配[J].控制理論與應用，2018（12）：1715-1724.

[2]陳然.基于幾何約束的圖匹配算法研究[D].北京：北京交通大學，2018.

[3]熊凌.計算機視覺中的圖像匹配綜述[J].湖北工業大學學報，2006（3）：171-173.

Research on graph matching method in computer vision

Zhang Xinqiang

（School of Intelligence and Electronic Engineering， Dalian Neusoft University of Information， Dalian 116023， China）

Abstract：Computer vision is widely used in various industries， and graph matching is often used to reduce the error in the process of visual conversion. Through the comparative analysis of two or more diagrams， the precision and accuracy of computer vision analysis can be improved. In the long-term research process， there are many kinds of graph matching methods. In this paper， there are many kinds of graph matching methods in the process of long-term research. This paper discusses different matching methods in order to find some common points and innovations， and to provide new theoretical data for the field of computer graph matching.

Key words：computer vision; graph matching methods; computer