第十六章 物体识别 机器视觉课件.ppt

第十六章 物体识别 16. 1识别系统的基本组成 16. 2物体识别的复杂度 16. 3图像矩不变量特征表示 16．4三维物体模型表示 16．5 特征检测与识别策略 16．6 验证 16．7物体定位 16．8 神经元网络 16．1识别系统的基本组成 16．2物体识别的复杂度 16.3图像矩不变量特征表示 16．4三维物体模型表示 16．5 特征检测与识别策略 16．6 验证 16．7物体定位 16．8 神经元网络 思考题 计算机练习题 本章结束 16．4三维物体模型表示 16．6．1模板匹配 给定一幅物体的图像，在图像中找出某类物体出现的数量及出现的位置，这是基本的验证问题，而不是物体识别问题。 假定有一个模板 ，我们希望检测图像 中的模板情况。显而易见，把模板放置在图像中的某一位置，通过比较模板中的强度值和图像中对应值，可以检测模板在哪一位置的存在。因为强度值很少能够很好地匹配，我们需要测量模板强度值同对应图像值之间的不相似度。 误差平方和方法是最流行的测量方法。在模板匹配的情况下，这种方法可以间接计算，计算成本也可以大幅度降低。 在图16.17中，我们给出了一幅图像，一个模板，及使用上式计算的结果。应该指出，在模板的位置上，我们得到的是局部最大值。 图 16.17 模板匹配实验结果 16．6．2形态方法 形态方法也可以用来检测模板的存在及其位置。对于二进制图像，使用结构元素作为模板并打开图像，将产生与模板匹配的所有位置。对于灰度图像，可以使用灰度图像形态学。这些结果见图16.18，(a) 结构元素，(b)一幅图像，(c) 同构开放。 图 16.18 形态方法匹配示意图 16．6．3符号 如上面所讨论的，如果物体模型和未知物体表示为图形，那么就必须使用一些方法来匹配这种图形表示。 (1) 图形同构性 图形的同构性只用于物体完全可见的情况下。如果一个物体是部分可见，或一个2.5维描述与一个三维描述进行匹配，则使用图形嵌入方法或子图同构性方法。 (2)子图同构性 在一个图形 和另一个图形 的子图之间找出同构性。 这些方法在用于匹配时存在的问题是图形同构性问题。对于任何合理的物体描述，匹配所需的时间大得不能接受。 0 16．6．4类比法 两条曲线之间相似性测量可以在同一个参考系坐标下通过比较二者,如图16.19所示. 并直接计算每一点处二者的差值来实现[Jain 1995]。注意，在图16.19中，差值是沿x轴的每一点测量的。将总是沿某一轴进行测量的。总的差值是绝对误差值的总和或者是误差平方和。如果没有给定准确的配准，那就必须使用一些基于相关方法的变异公式 。 图16.19通过直接测量两个实体的误差来实现两个实体的匹配示意图 物体识别通常是指从一幅图像中确定某一已知物体是否存在以及该物体在图像中的位置和方向。人们通常将物体在图像中的位置和方向估计称为物体定位估计(pose estimation)。 一般视觉定位系统的输入是距离图像(3D)序列和高度图像(ID)序列，而物体的模型一般是三维模型(3D-model)，这样就出现了两种最富挑战性的定位问题：3D模型在3D图像中的定位问题，简称3D-3D定位估计；3D模型在2D图像中的定位问题，简称3D-2D定位估计。 16．7．1 三维－三维物体定位 3D-3D定位算法的基本思想是在两组给定的3D点集中，寻找对应关系，一组是3D模型上的点集，另一组是3D图像中的点集。3D-3D定位问题可以分为两个阶段，第一个阶段是粗定位(rough pose estimation)，第二个阶段是精细定位(pose refinement)。 (1)M-估计 如果观察数据的误差不服从正态分布，则最小二乘法误差估计方法就不适用上述定位参数的求解，此时，可以使用M-估计算法[Haralick 1989]， M是指最大似然估计(Maximun likelihood estimation)。M-估计算法是一种鲁估计算法，其最一般形式为 (16.4) 其中 是关于误差的任意函数， 的等价概率分布函数是