多尺度显著性区域提取的模板匹配 .pdfVIP

多尺度显著性区域提取的模板匹配

佚名

【摘要】针对模板匹配过程中强遮挡、剧烈背景变化及物体非刚性形变等难题,本

文提出了一种基于多尺度显著性区域提取的模板匹配算法.算法采用多尺度-显著性

特征并行提取的方式:一方面利用空间金字塔模型将参考图像中的模板和待匹配图

像中的目标区域分割成不同尺度的网格,采用可形变多相似性度量方法

(DeformableDiversitySimilarity,DDIS)计算不同尺度下的匹配得分;同时,算法提

取模板区域的显著性区域图,形成模板区域的显著性得分;随后,利用显著性得分对不

同尺度的匹配得分进行加权融合,在融合得到的匹配得分图上寻找最佳匹配区域.算

法与取得目前最好结果的DDIS方法相比,AUC(AreaUnderCurve)指标提升

2.9％.实验结果表明,显著性区域提取使匹配方法更加关注目标物体,削弱背景及遮

挡物体对其影响,从而增强模板匹配方法对于背景变化及遮挡的抵抗能力.另外,空间

金字塔模型能够增强模板匹配方法对于物体不同尺度下的特征提取,如物体的局部

轮廓及结构特征等.二者结合有效地提高了匹配精度.

【期刊名称】《光学精密工程》

【年(卷),期】2018(026)011

【总页数】9页(P2776-2784)

【关键词】模板匹配;可形变多相似性度量;显著性区域提取;空间金字塔

【正文语种】中文

【中图分类】TP391.4

1引言

模板匹配的准确性在物体检测、物体追踪和三维物体重建中起到非常关键的作用。

一般来说，模板匹配任务给出参考(源)图像中的模板框，要求在待匹配(目标)图像

中找到与模板框内的物体最接近的区域。在自然场景中，模板框内的物体通常会经

历非常复杂的变化，例如背景变化、物体形变、遮挡变化等，给模板匹配带来较大

的挑战。

模板匹配方法的效果与其采用的相似性度量方法密切相关，传统的相似性度量一般

为像素级别的，例如平方距离、绝对值距离或正规化的互相关等[1]，但当物体的

背景出现变化或出现遮挡时会出现较大的误差。在这些度量方法的基础上，提出一

些改进[2-3]以对抗光照变化及噪声，但对于物体的形变则不能较好地处理。为了

处理物体的形变问题，传统的方法[4-5]通过构建物体的形变模型，希望利用给定

的参数来描述物体的形变。但由于固定的参数通常只能描述一个种类的形变方式，

例如仿射变换等，当物体经历任意的复杂形变时，上述方法则不能有效地对形变进

行建模，从而不能正确地进行匹配。另外，传统的方法在考虑匹配时通常会利用模

板图像内的所有像素点计算距离并进行匹配，这就使得当物体背后的背景发生改变

时，背景区域的误差会发生任意的改变，从而可能严重影响匹配的准确性。为了改

进这些缺点，一种建立在最近邻(Nearest-Neighbor)匹配之上的相似性度量方法

(Best-Buddies-Similarity，BBS)[6-7]被提出。其特点为只有当模板中的特征点和

目标框中的特征点互为最近邻时，它们才被作为一个有效的匹配对，进而对相似度

有贡献。在此方法的基础上，Talmi等人[8]进一步提出了可形变多相似性度量

(DDIS)，该方法与BBS相比，主要的特点有：1.只考虑从目标到模板的单向匹配；

2.显式地考虑了物体的形变。由于只考虑了单向的匹配，因此DDIS的计算速度更

快。由于显式地考虑了物体的形变，因此DDIS能够对抗一些中等程度的形变，较

BBS有提升。

本文着眼于自然场景下的模板匹配任务，在自然场景下，由于缺乏先验信息，模板

物体通常会经历复杂的变化，例如物体的背景会改变，如图1(a)，物体的受遮挡

面积改变，如图1(b)等。尽管DDIS有一定的对抗背景变化以及物体形变的能力，

但是当模板中的背景所占比重较大时，对于DDIS的结果还是会有较大的影响，如

图1(a)和图1(b)所示。(a)中由于模板中天空背景占据了较大的面积，因此当物体

的背景已经完全改变后，匹配到的目标区域偏向包含了天空背景的区域，而(b)中

由于模板中物体基本被树叶遮挡，因此匹配到了树叶而不是杯子。本文观察到，尽

管整张图片中存在多种背景及物体，但是在模板附近的区域中，前景物体与背景的

对比度较高，因此本文提出使用显著性物体分割对模板附近的区域进行处理，形成

显著性区域图，使用显著性区域图对DDIS的检测结果进行加权，从而可以抑制背

景区域对于相似度的贡献。邵枫[9]等人在其文中也有相似的做法，他们提出了一

种基于显著性分析的立体图像视觉舒适度检测方法，利用人眼的视觉