基于匹配目标识别探究综述.docVIP

基于匹配目标识别探究综述 　　摘 要：目标识别是现代智能监控系统的重要组成部分，其中基于匹配的目标识别是一个重要的研究方向。该文对其国内外研究现状和应用背景进行综述，介绍了几种常用的基于匹配的目标识别方式，对进一步的算法选择和研究提供了参考 关键词：匹配 目标识别 角点检测 现状 中图分类号：V243.1 文献标识码：A 文章编号：1674-098X（2017）01（c）-0110-02 1 目标识别算法的研究现状 现代智能监控系统主要分为目标识别和跟踪两部分，而最重要的是目标识别部分。其算法主要分为：（1）基于统计模式识别的算法；（2）基于匹配的识别算法 1.1 基于统计的识别算法 该算法原理是将目标识别当作从样本中区分出目标所属种类，识别前需用大量样本对分类器进行训练。支持向量机（SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在小样本分类学习中有性能和速度上的明显优势 1.2 基于匹配的识别算法 模板匹配是在图像域直接利用像素灰度匹配，简单、实时性好，但抗干扰能力、适应性和鲁棒性均不高 因此，学者们提出了基于特征匹配的目标识别算法。2004年，Hahnel和Klunder等提出利用颜色、纹理特征对人进行识别。同年，Csurka等提出利用一组特征点分类识别物体。2005年，Berg等提出通过物体的形状特征进行识别。2007年，Ullman提出基于图像块机制的目标识别方法。2009年，Cao等人提出基于角点特征匹配的目标识别方法。基于特征匹配的方法最大的优点是对于几何变形和亮度变化不敏感，且算法的鲁棒性较好 2 基于模板匹配的目标识别 2.1 概述 基于模板匹配的目标识别因计算量小、识别率高等优点已被应用于汽车、指纹、人脸等多领域，其对视频或连续图像中跟踪特定目标也有很好的准确性 2.2 常用的模板匹配算法 FS算法是实现模板匹配最简单有效的算法，但易受像素值影响，不一定能正确匹配。文献[2]使用NCC作为度量方法，兼顾了稳定性和匹配速度。文献[3]使用汉明距离定义模板与识别窗间的匹配相似性，减少了计算量。文献[3]基于图像描述子方法进行目标识别，减少了计算量 快速模板匹配算法大致可分为以下几种 （1）快速傅里叶变换算法（FFT算法）。匹配结果与FS算法一致，但无需搜索候选窗口，而是计算模板在图像各个位置上的相似度值 （2）全搜索等价算法。一般采用逐层筛选策略，匹配结果同FS算法，但速度更快 （3）非全搜索等价算法。采用搜索查找空间，或在特征空间中近似匹配的策略加快匹配速度，但其结果不一定与FS算法一致 3 基于特征匹配的目标识别 3.1 目标特征概述 图像的特征一般可以分为以下几种 （1）直观性特征：①基于边缘的方法：常用拉氏算子、Mary算子等进行边缘检测。Nevada在1980年提出一个较成功的直线特征提取案例。Alireza等在2002年引入模糊理论选择边缘点。②基于区域的方法：通常用于建筑等区域信息较强的目标。孙琪等人在2001年介绍了一种在红外图像中提取出桥梁的方法。③基于纹理的方法：以灰度共生矩阵为基础的纹理特征提取是一种常见的有效方法 （2）灰度的统计特征。主要是指直方图特征等，目前常引入统计上的各阶矩作为特征 （3）代数特征。将图像作为矩阵看待，对其进行各种代数变换，或矩阵分解以得到目标特征 （4）变换系数特征。对图像进行Fourier变换、小波变换等，能从时域、频域等多方面分析，能更本质地反映目标 3.2 基于角点特征的目标识别 角点就是极值点，目前仍无明确的数学定义。通过检测角点进行目标识别加快了计算速度，使实时处理成为可能 目前，角点检测算法主要分为：（1）基于图像边缘信息的角点检测算法；（2）基于图像灰度信息的角点检测算法；（3）基于小波变化的角点检测算法 3.2.1 基于图像边缘信息的角点检测算法 此类算法将角点视作由2条或多条边界线相交而成的点 20世纪70年代，A.Rosenfeld等和H.Freeman等提出用角点强度k来计算角点。1983年，J.Ponce和M.Brady提出将图像对x，y求偏导数来求角点。同年，A.P.Witkin提出采用自适应弯曲度求取角点的方法。1986年，Asada等改进A.Rosenfeld的算法，提出先进行边缘平滑以去除干扰。1993年，Cooper利用链码处像素坐标估计最大曲率值来求角点。1996年，Hsin-Teng和Wu-Chin Hu利用多边形近似边界链，将交点作为角点。2004年，钟宝江和廖文和提出了隐式精化数字化曲线策略，推出一种新的角点强度公式 此类算法对边缘提取算法依