模板匹配技術在圖像識別中的運用

朱泓諭

（東莞理工學院網絡空間安全學院 廣東省東莞市 523808）

在模式識別領域，模板匹配屬較為常規的方法，確定對象物在圖像中的位置，由此完成對象的識別操作。現有經驗表明，模板匹配技術在條碼識別、指紋識別等應用場景中均具有可行性。

1 模板匹配技術在圖像識別中的運用實例

模板匹配技術得以實現的關鍵前提在于得到數學函數的支撐，準確確定被搜索圖的坐標關系，將其代入數學模型內，做相應的處理。模板匹配技術是模式識別領域應用較為廣泛、效果較為良好的方法，但在面對各類干擾因素時，需要協同運用數學模型，更好地滿足圖像識別的質量和效率等層面的要求。

1.1 條碼識別

模板匹配技術已經在條碼識別領域取得較突出的應用效果，其中變造幣橫豎條碼是基礎，確定特定的數軸，在該基礎上增添二維圖像的灰度投影，再依托于已經建立的數學模型，高效完成在數軸上的匹配操作，期間產生的噪音可相互抵消，可減小干擾，因此有利于提高識別的效率、降低識別錯誤現象的發生概率。

垂直于水平2 個方向的圖像可根據灰度分布特征做特定的灰度投影操作，此方式下將生成模板投影所對應的投影序列，與此同時也能夠得到等待匹配圖像的投影序列，再將兩者加以匹配，確定相關值，將該結果代入投影函數內。模板匹配具有動態化的特性，具體體現在模板投影曲線的層面，其存在上下滑動的變化特點，經過對比分析后，若兩幅圖具有相匹配的關系，則意味著相關函數最大值較大，即超過門限值。

1.2 指紋識別

依托于模板匹配技術，可以有效縮短指紋識別的持續時間，其中多道計算步驟均可以得到精簡處理，由此在較短的時間內完成了匹配操作。整個匹配過程具有階段化的特征，其匹配操作可以分為多個細分的環節：每間隔M 個點搜索下匹配結果的優劣，從中做出甄別，確定存在極大匹配的周邊，針對該范圍的參考值的位置做匹配操作，全過程中匹配點得到有效的保留，可以較好地規避匹配點丟失的情況；在前述基礎上，對M 個點隨機計算，生成突出特征隨機序列，其意義在于可決定后續計算誤差的先后順序；經前述流程后，最后拋棄固定閾值，從中選擇最具應用價值的單調增長性閾值序列，此時可以規避匹配序列的閾值點丟失的問題，識別結果的精度得到保證。

1.3 字符識別

實際運用中，主要考慮如下兩種情況：

（1）采用以特征加權為基礎的模板匹配模型。通過特征加權方法的應用，能夠對字符筆數做全新的分配處理，根據權重對其順序做出排列，其中權重較高者集中在中心位置，相比之下權重較低者則普遍分布在邊緣處，此時樣本模板與標準模板可高效匹配，再借助預設的模糊識別規則，完成相應的識別操作。識別流程中，針對各字符做加權處理，得益于此方式，可有效提高識別率。

（2）采用以特征塊為基礎的模板匹配模型。針對模板采取切割處理措施，由此得到大小具有一致性的方塊，再確定各自所包含的點，完成對標準模板的匹配操作。需注意的是，此處所提的字符在執行匹配操作前便經過了深度的改造處理，因此產生的特征模塊數量較少，相比于前述方法而言，其工作量有所精簡，在效率方面的優勢更為突出。

1.4 基于不變矩的圖像匹配

基于不變矩的圖像匹配包含多種形式的畸形不變性，是高度濃縮的圖像特征。在識別與匹配工作中，圍繞圖像輪廓和檢測模板兩部分展開對比分析，向其中增添遺傳算法，通過旋轉、平移等方法的應用，完成對圖像的匹配操作。在該方法之下，所創造的綜合應用效果明顯優于常規算法。

2 模板匹配序貫相似性檢測算法（SSDA）

在數字圖像中，依托于如下所提的公式（1）展開計算，確定在點(i,j)時的非相似度m(i,j)，將其視為匹配尺度。

圖1

圖2：匹配圖像

圖3：模板處理

在(i,j)處的圖像中，若存在與模板相同的圖案，此時的顯著特征在于(i,j)值明顯較小，若不存在則有該值較大的特點。在作加法時，著重考慮的是灰度差的絕對值的和，將其與特定的閾值展開對比分析，若前者偏大，則說明該位置無與模板相同的圖案，為進一步做出判斷，將會轉至下一位置，繼而按照相同的方法計算m(i,j)。按照該流程以富有秩序性的方式推進，可以有效縮短計算時間，以較高的效率完成匹配操作。

沿著前述所提SSDA 算法的運用思路，在原有基礎上加以優化，以期提高該方法的可行性。對此，對圖像上的模板移動做出劃分處理，按順序操作。首先為粗檢索，將模板與圖像重疊（每隔若干個像素），經計算后確定該匹配的尺度，此操作的作用在于可確定待尋找圖案的初步范圍；隨后進入細檢索環節，進一步精準鎖定待尋找圖案的位置，操作方法為模板每隔1 個像素移動1 次（相比于粗檢索而言，模板移動的頻率有所增加），由此便可得到具體的位置。

可以發現，在該改進后的SSDA 方法中，模板匹配的次數明顯減少，但也存在局限之處，即有可能漏掉圖像中最合適的位置。針對此問題，以VisualC++610 為平臺，組織開發工作，生成一套數字圖像處理程序，在其支持下，能夠完成模板匹配運算操作，在提高識別效率的同時避免圖像遺漏的情況。

其中，圖1 中(a)為原圖,(b)為待匹配的模板,(c)為匹配后模板在原圖中的位置（可以高效地與原圖展開對比分析）。

3 其它的模板匹配快速算法

匹配算法的總計算量取決于兩方面因素，具體可利用如下關系式加以表示：總計算量=（選擇算法的計算量）×（搜索位置數）。根據此特點，可以探尋除了前述所提內容之外的一些其他具有可行性的方法，具體做如下分析。

3.1 相關算法

關于兩個函數的相關性，可用式（2）予以表示：

式中：f*為f 的復共軛；F(u,v)和H(u,v)分別為f(x,y)和h(x,y)的傅立葉變換。

依托于卷積理論，可以對前述公式做進一步的延伸，具體如下：

卷積的重要性在于其在空間域過濾和頻率域過濾間扮演著“中間聯系者”的角色，是實現匹配的基本前提。具體而言，在匹配工作中，f(x,y)指的是某特定的圖像，若要對f 進行分析以便判斷其是否含有感興趣的物體，則需要引入h(x,y)，將其視為該物體（此處將該圖像稱為模板），若能夠成功匹配，兩函數的相關值會在h找到f 中相應點的位置上達到最大。

結合前述分析，相關算法含兩種細分的方法，即在空間域或頻率域均可以進行。其中，圖2(a)呈現的是大小為M×N 的圖像；圖2(b)呈現的是尋找與J×K 相匹配的子圖，即w(x,y)。具體相關關系可利用如下公式表達：

在兩種方法的選擇中，可以在頻域中實現相關算法。

選取基準圖和實時圖，將兩者做二維離散傅立葉變換。

關于基準圖的變換結果，如下：

式中，u 和v 分別對應的是j 和k 方向的頻率變量。

關于實時圖的變換結果，如下：

3.2 幅度排序相關算法

分階段完成算法的相應操作：首先，從實時圖中提取灰度值，以幅度為依據加以排序，再于該基礎上完成二進制編碼操作，此時可以實現對實時圖的變換處理，即形成集合{Cn,n=1,2,…,N}；隨后，在確定前述各類二進制序列后，將其與基準圖進行相關，全程遵循“由粗到細”的基本原則，在循序漸進的工作方式下，可從中確定合適的匹配點。

3.3 主要問題分析及對應的解決辦法

前述所提的模板匹配方法均建立在理論環境中，在理論層面具有高度的可行性，而就實際應用情況來看，其潛在諸多干擾因素，例如多類噪聲均會對圖像（模板）造成干擾。但在該過程中若模板受到外部因素的干擾，正常工作機制將難以有效運行，會嚴重影響正常識別進程，因此需針對該部分采取預處理措施，最大限度消除干擾。在此條件下，假定圖像中有噪聲，則其矢量表現形式為：

式中，f 為確定性圖像，n 為噪聲，fu為實時圖像。在具體分析中，需要著重考慮噪聲n 的產生機制以及具體的成因，再消除該部分噪聲。從實際環境來看，n 的情況較多，為精準分析以及消噪，則必須明確具體的成因，據此設計濾波器m，利用該裝置完成對實時圖像的過濾處理，進而達到消除噪聲干擾的效果。假定f0=mfu,在該關系式中，最佳狀態是f0 盡可能接近f，在此條件下展開匹配運算。而為了完成前述所提的一系列操作，則需要針對圖像采取增強、平滑及復原處理措施。

關于受污染的模板，如圖3(a)所示。結合圖中內容展開分析，在噪聲的污染作用下，模板的匹配精度受到影響，其難以精準匹配至原圖相應的位置處。針對受污染模板采取還原與增強操作后，得到全新的圖像，具體如圖3(b)所示，可以發現，此時模板的總體狀況得到顯著的改善，可以精準地匹配至原圖對應的位置。圖3 中，在探明噪聲干擾的具體作用機制后，可采用濾波的方法加以處理，使模板復原。然而，此類濾波器m 的設計難度較大，因此也是阻礙模板匹配發展的關鍵因素。在該背景下，應當探尋適用于模式識別的更為可行的發展路徑，縱觀現有技術水平以及實際發展成果可以得知，以自適應控制、模糊邏輯、神經網絡較為典型，其均是綜合應用效果較為良好的數學模型建立方法，在模板匹配技術的數學模型建立工作中可靈活應用特定的方法。

4 結語

綜上所述，通常而言，模板匹配的識別能力較強，但該特性并不具有絕對性，即在部分干擾較嚴重的環境中將出現模板匹配識別不適用的情況，或是在模板改動時也存在此類情況。因此，需深入剖析，選擇更為可行的數學工具，例如通過自適應控制、模糊邏輯、神經網絡等方法的應用，建立科學的數學模型，諸如此類技術均是模式識別領域的重要發展方向。在后續的發展中，應當圍繞模板匹配做更為深入的研究，夯實理論基礎，提高對先進方法的應用水平，進而建立更為可行性的數學模型。