謝云璇

摘 要：目標識別是現(xiàn)代智能監(jiān)控系統(tǒng)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(nèi)外研究現(xiàn)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(xiàn)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(xiàn)狀

現(xiàn)代智能監(jiān)控系統(tǒng)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(tǒng)計模式識別的算法；（2）基于匹配的識別算法。

1.1 基于統(tǒng)計的識別算法

該算法原理是將目標識別當作從樣本中區(qū)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(yōu)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?；谔卣髌ヅ涞姆椒ㄗ畲蟮膬?yōu)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(yōu)點已被應用于汽車、指紋、人臉等多領域，其對視頻或連續(xù)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(xiàn)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(wěn)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F(xiàn)S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(qū)域的方法：通常用于建筑等區(qū)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(tǒng)計特征。主要是指直方圖特征等，目前常引入統(tǒng)計上的各階矩作為特征。

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

（4）變換系數(shù)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(zhì)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(shù)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(shù)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(shù)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?qū)?shù)；（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(jù)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(shù)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(jù)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(fā)展和優(yōu)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.