2D Objective Recognition - 3 模板匹配.ppt

第4单元2D 目标识别与匹配Part3: 模板匹配2013 主要内容 模板匹配的思想及分类 基于灰度 基于边缘 三个关键问题 应对变化 相似性度量：SSD, NCC，相关函数 加速计算：图像金字塔 * 机电工程与自动化学院 视觉检测技术 * 机电工程与自动化学院 视觉检测技术 目标识别的基本思路 利用已知图像做为模板进行匹配 利用先验知识，提取物体特征判断 方法 执行效率不是最优的 针对特定的物体，需要开发专用的算法，如果目标变化，则需要重新开发算法 缺点 机器人视觉识别 通用性好 基于模板的方法 圆形目标的检测 举例 执行效率高 优点 基于特征的方法 HALCON的实际应用：模板匹配 模板匹配是摄影测量和计算机视觉的一个基本问题，它是数字摄影测量自动化的关键。 图像匹配的核心问题是将不同的分辨率、不同的亮度属性、不同的位置 （平移和旋转）、不同的比例尺、不同的非线性变形的图像对应起来。 应用领域广泛：目标物体运动跟踪， 目标识别，三维重建，全景图，目标定位…… 3.1 模板匹配的概念 3.2 模板匹配的基本方法 基于灰度的模板匹配(gray-value-based) －利用模板图像的所有灰度值，不能适应光照变化、缩放变化、多通道图像等 －用于简单图像 ? 基于形状的模板匹配（shape-based） －使用边缘特征定位物体 －对于很多干扰因素不敏感，例如光照变化、聚焦模糊，缩放变化等，适用于多通道图像 －不适用于纹理图像 3.3 模板匹配举例 基于灰度的匹配 车牌字符识别 商标图案标志识别 基于形状匹配 3.4 基于灰度值的模板匹配 以统计的观点将图像看成二维信号，采用统计的相关方法寻找信号的相关匹配。利用两个信号的相关函数，评价他们的相似性以确定他们的同名点 灰度匹配通过某种相似度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判断两幅图像的相应关 利用灰度匹配的有一个很大的缺陷就是计算量很大，所以一般用于简单的图像 影像匹配实质上是在两幅（或多幅）影像之间识别同名点 ， 影像匹配实质上是在两幅（或多幅） 它是计算机视觉和数字摄影测量的核心。 模板 待匹配图像 下面列举了几种在灰度匹配中常见的几种算法 (1)相关函数 离散灰度数据对相关函数的估计公式为： 则c0, r0为搜索区影像相对于目标区影像的位移行、列参数。 为搜索区影像相对于目标区影像的位移行 列参数。 若 (2) 协方差函数 若 为搜索区影像相对于目标区影像的位移行、列参数 连续数据对协方差函数的估计为 离散数据对协方差函数的估计为: mt是模板的平均灰度值，mf(r,c)是平移到图像当前位置的模板ROI中图像所有点的平均灰度值。 若 为搜索区影像相对于目标区影像的位移行、列参数 (3) 差平方和 离散灰度计算公式： 若 则为搜索区影像相对于目标区影像的位移行、列参数 连续灰度计算公式： (4) 计算模板与图像之间差值的绝对值的总和(SAD)或所有差值的平方和(SSD) HALCON的具体例子 这个例子是基于SAD（计算 模板与图像之间差值的绝对值的总和） 具体实现的流程如右图： SAD和SSD在光照情况保持不变的情况下可以使用，否则会返回特别大的结果。从而在图像中找到许多错误的位置。 理想情况下，相似度量应该不随任何线性的光照变化而变化的。归一化互相关系数（NCC）便可以达到这种效果。 (5)计算归一化互相关系数(NCC) 下图使用图1的模板计算NCC的结果。 (a) (b) (c) 图 2 (a)包含一个基准标志的PCB板的图像，该图像的白色矩形框中的部分用作模板。这个图像与图1中的图像相同；(b)图(a)与(a)图中模板的归一化互相关系数；(c)使用阈值0.75对图像(b)进行阈值分割的结果。 * 机电