謝云璇

摘 要：目標(biāo)識(shí)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(biāo)識(shí)別是一個(gè)重要的研究方向。該文對(duì)其國(guó)內(nèi)外研究現(xiàn)狀和應(yīng)用背景進(jìn)行綜述，介紹了幾種常用的基于匹配的目標(biāo)識(shí)別方式，對(duì)進(jìn)一步的算法選擇和研究提供了參考。

關(guān)鍵詞：匹配 目標(biāo)識(shí)別 角點(diǎn)檢測(cè) 現(xiàn)狀

中圖分類號(hào)：V243.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2017）01（c）-0110-02

1 目標(biāo)識(shí)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(biāo)識(shí)別和跟蹤兩部分，而最重要的是目標(biāo)識(shí)別部分。其算法主要分為：（1）基于統(tǒng)計(jì)模式識(shí)別的算法；（2）基于匹配的識(shí)別算法。

1.1 基于統(tǒng)計(jì)的識(shí)別算法

該算法原理是將目標(biāo)識(shí)別當(dāng)作從樣本中區(qū)分出目標(biāo)所屬種類，識(shí)別前需用大量樣本對(duì)分類器進(jìn)行訓(xùn)練。支持向量機(jī)（SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在小樣本分類學(xué)習(xí)中有性能和速度上的明顯優(yōu)勢(shì)。

1.2 基于匹配的識(shí)別算法

模板匹配是在圖像域直接利用像素灰度匹配，簡(jiǎn)單、實(shí)時(shí)性好，但抗干擾能力、適應(yīng)性和魯棒性均不高。

因此，學(xué)者們提出了基于特征匹配的目標(biāo)識(shí)別算法。2004年，Hahnel和Klunder等提出利用顏色、紋理特征對(duì)人進(jìn)行識(shí)別。同年，Csurka等提出利用一組特征點(diǎn)分類識(shí)別物體。2005年，Berg等提出通過(guò)物體的形狀特征進(jìn)行識(shí)別。2007年，Ullman提出基于圖像塊機(jī)制的目標(biāo)識(shí)別方法。2009年，Cao等人提出基于角點(diǎn)特征匹配的目標(biāo)識(shí)別方法?；谔卣髌ヅ涞姆椒ㄗ畲蟮膬?yōu)點(diǎn)是對(duì)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(biāo)識(shí)別

2.1 概述

基于模板匹配的目標(biāo)識(shí)別因計(jì)算量小、識(shí)別率高等優(yōu)點(diǎn)已被應(yīng)用于汽車、指紋、人臉等多領(lǐng)域，其對(duì)視頻或連續(xù)圖像中跟蹤特定目標(biāo)也有很好的準(zhǔn)確性。

2.2 常用的模板匹配算法

FS算法是實(shí)現(xiàn)模板匹配最簡(jiǎn)單有效的算法，但易受像素值影響，不一定能正確匹配。文獻(xiàn)[2]使用NCC作為度量方法，兼顧了穩(wěn)定性和匹配速度。文獻(xiàn)[3]使用漢明距離定義模板與識(shí)別窗間的匹配相似性，減少了計(jì)算量。文獻(xiàn)[3]基于圖像描述子方法進(jìn)行目標(biāo)識(shí)別，減少了計(jì)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(jié)果與FS算法一致，但無(wú)需搜索候選窗口，而是計(jì)算模板在圖像各個(gè)位置上的相似度值。

（2）全搜索等價(jià)算法。一般采用逐層篩選策略，匹配結(jié)果同F(xiàn)S算法，但速度更快。

（3）非全搜索等價(jià)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(jié)果不一定與FS算法一致。

3 基于特征匹配的目標(biāo)識(shí)別

3.1 目標(biāo)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(jìn)行邊緣檢測(cè)。Nevada在1980年提出一個(gè)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(diǎn)。②基于區(qū)域的方法：通常用于建筑等區(qū)域信息較強(qiáng)的目標(biāo)。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(chǔ)的紋理特征提取是一種常見(jiàn)的有效方法。

（2）灰度的統(tǒng)計(jì)特征。主要是指直方圖特征等，目前常引入統(tǒng)計(jì)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(duì)其進(jìn)行各種代數(shù)變換，或矩陣分解以得到目標(biāo)特征。

（4）變換系數(shù)特征。對(duì)圖像進(jìn)行Fourier變換、小波變換等，能從時(shí)域、頻域等多方面分析，能更本質(zhì)地反映目標(biāo)。

3.2 基于角點(diǎn)特征的目標(biāo)識(shí)別

角點(diǎn)就是極值點(diǎn)，目前仍無(wú)明確的數(shù)學(xué)定義。通過(guò)檢測(cè)角點(diǎn)進(jìn)行目標(biāo)識(shí)別加快了計(jì)算速度，使實(shí)時(shí)處理成為可能。

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

3.2.1 基于圖像邊緣信息的角點(diǎn)檢測(cè)算法

此類算法將角點(diǎn)視作由2條或多條邊界線相交而成的點(diǎn)。

20世紀(jì)70年代，A.Rosenfeld等和H.Freeman等提出用角點(diǎn)強(qiáng)度k來(lái)計(jì)算角點(diǎn)。1983年，J.Ponce和M.Brady提出將圖像對(duì)x，y求偏導(dǎo)數(shù)來(lái)求角點(diǎn)。同年，A.P.Witkin提出采用自適應(yīng)彎曲度求取角點(diǎn)的方法。1986年，Asada等改進(jìn)A.Rosenfeld的算法，提出先進(jìn)行邊緣平滑以去除干擾。1993年，Cooper利用鏈碼處像素坐標(biāo)估計(jì)最大曲率值來(lái)求角點(diǎn)。1996年，Hsin-Teng和Wu-Chin Hu利用多邊形近似邊界鏈，將交點(diǎn)作為角點(diǎn)。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(diǎn)強(qiáng)度公式。

此類算法對(duì)邊緣提取算法依賴性較強(qiáng)，邊緣線中斷將嚴(yán)重影響檢測(cè)結(jié)果。

3.2.2 基于圖像灰度信息的角點(diǎn)檢測(cè)算法

此類算法主要通過(guò)計(jì)算梯度及曲率來(lái)檢測(cè)角點(diǎn)，大致分為：（1）基于方向?qū)?shù)；（2）直接基于圖像的亮度對(duì)比關(guān)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(lái)提取角點(diǎn)。1988年，Harris等人改進(jìn)了Moravec算子，提出了著名的Harris角點(diǎn)檢測(cè)算子。1997年，Smith和Brady提出了具有很強(qiáng)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(diǎn)檢測(cè)方法——MIC算法。

此類算法缺點(diǎn)是定位精度較低。

3.2.3 基于小波變化的角點(diǎn)檢測(cè)算法

小波變換對(duì)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(diǎn)檢測(cè)思想。1998年，Mokhtarian和Suomela基于尺度空間提出一種高尺度檢測(cè)角點(diǎn)，降低尺度改善角點(diǎn)定位的新的角點(diǎn)檢測(cè)算法。

王展等人采用二階導(dǎo)數(shù)零交叉邊緣檢測(cè)算子以及圍線跟蹤算法提取邊緣曲線，用一組自相似二進(jìn)Gabor小波變換濾波器將頻域分為多個(gè)子帶，對(duì)兩不同尺度濾波器輸出求差并取模，根據(jù)結(jié)果判定該點(diǎn)是否是角點(diǎn)。

4 結(jié)語(yǔ)

基于匹配的目標(biāo)識(shí)別是圖像識(shí)別、目標(biāo)跟蹤等研究領(lǐng)域非常重要的研究方向，其中特征匹配、焦點(diǎn)檢測(cè)、小波變換等都具有廣泛的應(yīng)用范圍。該文介紹了多種基于匹配的目標(biāo)識(shí)別方式，分析其發(fā)展和優(yōu)缺點(diǎn)，對(duì)進(jìn)一步的算法選擇和研究提供了參考。

參考文獻(xiàn)

[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.