序列图像的目标识别方法

摘 要： 针对灰度差绝对平均值算法匹配次数多， 不具有旋转不变性等缺点， 提出一种新的序列图像目标识别方法。首先， 分别在 模板图像和目标图像中进行特征点检测， 然后将模板图像中检测到的特征点附近区域作为特征模板。利用特征模板与目标图像中 的特征点相应区域进行环形模板匹配操作， 从而在目标图像中找到与模板图像相匹配的特征点。对于因遮挡而丢失的特征点， 可 根据已匹配特征点之间的相对关系来重新确定， 从而实现目标识别的功能。仿真实验验证了该算法的有效性。 关键词： 目标识别； 模板匹配； 序列图像 文章编号： １００２－ ８３３１（ ２００７） ３３－ ００４１－ ０２ 文献标识码： Ａ 中图分类号： ＴＰ３０１．６
序 列 图 像 的 目 标 识 别 在 国 防 、工 业 等 领 域 具 有 重 要 的 研 究 价值［１－３］。由于序列图像的识别具有数据量较大， 计算相对复杂， 实时性要求较高等特点， 因此许多算法无法满足序列图像识别 的性能要求［３， ４］。结合灰度差绝对平均值算法， 提 出 了 基 于 特 征 点检测的环形模板匹配算法， 有效地减小了识别过程中的匹配 次数， 同时算法具有旋转不变性， 提高了算法的适用范围。
终的匹配值 ｙ。激励函数 ｇ（ ） 采用式（ ５） 的线性函数形式。
（ ｎ＋１） ／２
! ｙ＝ｇ（ ｅｉ） ＝
ｗｉｅｉ
（ ５）
ｉ＝１
权 值 系 数 ｗｉ 代 表 了 不 同 像 素 环 对 匹 配 结 果 的 贡 献 值 ， 例
如第一环只有一个像素点， 则该像素点一旦被噪声污染， 就会
使得该环贡献错误的匹配值， 因此该环的贡献值可选取较小
面内发生了平移运动， Ｄ 的值并不会增大， 而如果目标在平面
内发生了旋转， Ｄ 的值就会变大。也就是说， 该算法只对平移运
动具有不变性， 而对于旋转运动则不具有不变性。这就降低了
基金项目： 天津市高等学校科技发展基金（ Ｎｏ．２００６０６１３） 。 作者简介： 修春波（ １９７８－ ） ， 男， 博士， 副教授， 主要研究领域为目标识别。
在进行目标识别之前， 分别要对模型库中的模板图像和目 标 图 像 进 行 特 征 点 提 取 。这 里 采 用 文 献［５］中 的 方 法 来 提 取 特 征点。
! Ｉ１＝
［（ｆ ｘ， ｙ） － （ｆ ｘ， ｙ＋１） ］２
（ ６）
（ ｘ， ｙ） ∈Ｓ
! Ｉ２＝
［（ｆ ｘ， ｙ） － （ｆ ｘ＋１， ｙ） ］２
１ 基于环形模板的匹配准则
相关匹配是以包含目标图像的模板在搜索区中滑动， 按一
定的准则计算模板图像与其覆盖区图像的像素相关值， 匹配最
好 的 区 域 中 心 即 可 认 为 是 目 标 的 中 心 。由 于 跟 踪 系 统 对 图 像 处
理的实时性要求很高， 因此衡量匹配程度的计算量要很小才可
以满足实时性的要求， 利用灰度差的绝对平均值（ ＭＡＤ） 来衡量
对于目标图像中的某些特征点可能由于某种原因（ 如遮挡
等） 而丢失， 从而无法得到匹配结果， 这可通过已经得到匹配的
各特征点之间的相对位置关系确定其位置。例如， 对于图 ２ 的
模板中的四点 Ａ、Ｂ、Ｃ、Ｄ， 如果在目标图像中 只 找 到 相 应 的 三
个 匹 配 点 Ａ′、Ｂ′、Ｃ′， 则 可 按 图 ２（ ｃ） 中 的 方 法 确 定 第 四 个 特 征
! Ｉ３＝
［（ｆ ｘ， ｙ） － （ｆ ｘ＋１， ｙ＋１） ］２
（ ８）
（ ｘ， ｙ） ∈Ｓ
! Ｉ４＝
［（ｆ ｘ， ｙ） － （ｆ ｘ＋１， ｙ－ １） ］２
（ ９）
（ ｘ， ｙ） ∈Ｓ
其中 Ｓ 表示窗函数中的所有像素， 因为简单的边缘点在边缘方
向上无变化， 所以， 选择上述方向变量的最小值作为中心像素
采用特征点提取的办法， 分别提取出模板图像和目标图像 中的特 征 点 ， 然 后 以 模 板 图 像 特 征 点 为 中 心 ， 选 取 ｎ×ｎ 的 特 征 模板， 与目标图像中的各个特征点进行上述模板匹配操作， 得 到合适的匹配结果， 从而识别出目标图像中的目标。当目标发 生遮挡或者受到干扰时， 目标的部分特征点将会漏检或丢失， 此时可根据已匹配好的特征点之间的相关距离， 预测出遮挡部 分的特征点的位置， 从而完成目标识别功能。
为 （ｆ ·） 或 ｇ（ ·） 的 简 化 了 的 前 向 神 经 网 络 ， 计 算 量 与 灰 度 差 的
绝对平均值相关匹配算法（ ＭＡＤ） 相同， 在各环像素的累加过程
中， 对噪声起到了一定的平均滤波作用， 又由于所设计网络的
输入层具有环形对称结构， 因此对目标的平移和旋转运动都具
有良好的不变性。
匹配点 Ｄ′的位置。即分别以 Ａ′、Ｂ′、Ｃ′为圆心， 以 ＡＤ、ＢＤ、ＣＤ
为半径做圆， 则所得唯一交点即为 Ｄ′的位置。
２ 基于特征点检测的目标识别
尽管上述算法每次匹配时计算量较小， 但当搜索窗较大 时， 需匹配的次数则增多， 也会需要较多的运算时间。为此进一 步提出如下基于特征点检测的目标识别方法。
值， 而越靠外侧的环则所包含的像素点越多， 即使少数像素被
污染， 但该环最后的匹配误差并不会很大， 因此该环权值可相
对 选 取 较 大 的 值 。令 模 板 与 所 有 可 能 的 区 域 逐 一 进 行 环 形 模 板
匹配操作， 所得匹配结果最大的区域即为最佳匹配结果。
由上述分析可以看出， 提出的方法相当于一种激励函数选
模板 Ａ 与待匹配的区域 Ｂ 都为 ３×３ 的区域， 则可将 其 分
４２ ２００７， ４３（ ３３）
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ 计算机工程与应用
ｉ
ｉ
成两环结构， 图中 ａｊ 和 ｂｊ 分别表示模板和匹配区域中第 ｉ 环的
第 ｊ 个像素的灰度值。第一环内只有一个像素点， 第 ｉ 环像素点
ＸＩＵ Ｃｈｕｎ－ ｂｏ．Ｔａｒ ｇｅｔ ｒ ｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｓｅｑｕｅｎｔｉａｌ ｉｍａｇｅｓ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒ ｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００７， ４３（ ３３） ： ４１－ ４２．
Ａｂｓｔｒ ａｃｔ： Ａ ｎｅｗ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｓｅｑｕｅｎｔｉａｌ ｉｍａｇｅｓ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｒｏｔａｔｉｏｎ ｉｎｖａｒｉａｎｃｅ ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｍａｔｃｈｉｎｇ ｆｒｅｑｕｅｎｃｙ ｆｏｒ ｍｉｎｉｍｕｍ ａｂｓｏｌｕｔｅ ｄｉｆｆｅｒｅｎｃｅ．Ｔｈｅ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｉｎ ｔｅｍｐｌａｔｅ ａｎｄ ｔｒａｃｋｉｎｇ ｗｉｎｄｏｗ ａｒｅ ｄｅｔｅｃｔｅｄ ａｎｄ ｔｈｅ ａｒ－ ｅａｓ ａｒｏｕｎｄ ｔｈｅ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｉｎ ｔｅｍｐｌａｔｅ ａｒｅ ｃｈｏｓｅｎ ａｓ ｆｅａｔｕｒｅ ｔｅｍｐｌａｔｅｓ．Ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈｉｎｇ ｂｅｔｗｅｅｎ ｔｒａｃｋｉｎｇ ｗｉｎｄｏｗ ａｎｄ ｔｅｍｐｌａｔｅ ｃａｎ ｂｅ ｃｏｍｐｌｅｔｅｄ ｂｙ ｒｉｎｇ－ ｓｈａｐｅｄ ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ ｏｐｅｒａｔｉｏｎ．Ｔｈｅ ｌｏｓｔ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｉｎ ｔｒａｃｋｉｎｇ ｗｉｎｄｏｗ ｃｏｕｌｄ ｂｅ ｄｅ－ ｔｅｒｍｉｎｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｐｏｓｉｔｉｏｎｓ ｏｆ ｔｈｅ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈｅｄ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｐｒｏｖｅ ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｋｅｙ ｗｏｒ ｄｓ： ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ； ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ； ｓｅｑｕｅｎｔｉａｌ ｉｍａｇｅｓ
模板图像中特征点应该能够刻画目标的主要形状特征， 因
此， 模板中的特征点要选择比较显著的少数特征点作为模板特
征 。而 目 标 图 像 中 的 特 征 点 为 了 能 够 尽 可 能 地 全 部 包 含 与 模 板
相匹配的特征点， 特征点的选取要宽松些， 也就是说模板图像
的特征阈值 ＩＭ０ 要大于目标图像的特征阈值 ＩＮ０， 即 ＩＭ０＞ＩＮ０。 将模板中的每个特征点附近 ｎ×ｎ 的小区域选为特征模板，
（ ７）
（ ｘ， ｙ） ∈Ｓ
３ 仿真实验
以一段录像带中复杂背景下的坦克目标识别为例进行仿 真实验研究， 如图 ３ 所示。其中左上顶点为坐标原点， 向右和向 下为正方向。图 ３（ ａ） 所示的 １１０×６０ 的坦克作为模板图像， 图 ３ （ ｂ－ ｆ） 为目标图像， 目标图像的大小为 ２６０×１７０。目标图像的特 征点阈值设置为 ２ ０００， 低于模板图像的特征点阈值 ２ ９００。
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ 计算机工程与应用
２００７， ４３（ ３３） ４１
序列图像的目标识别方法
修春波 自动化系， 天津 ３００１６０ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ， Ｔｉａｎｊｉｎ Ｐｏｌｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ， Ｔｉａｎｊｉｎ ３００１６０， Ｃｈｉｎａ Ｅ－ ｍａｉｌ： ｘｉｕｃｈｕｎｂｏ＠ｔｊｐｕ．ｅｄｕ．ｃｎ
该算法的适应能力， 从而限制了该算法的使用范围。为此， 提出 了基于环形模板的匹配算法， 保证了算法具有旋转不变性。
首 先 ， 将 模 板 Ａ 以 及 待 匹 配 的 区 域 Ｂ 都 选 择 为 ｎ×ｎ（ ｎ 一 般为奇数） 的形状， 并按环形进行划分， 然后将各环中总的灰度 和相比较， 从而确定出匹配结果。如图 １ 给出了 ｎ＝３ 时算法的 示意图。
’ ｊ＝１ %
%１
ｂ ， %%
&１
ｉ≠１ ｉ＝１
（ ３）
将 ｃｉ 和 ｄｉ 输入激励函数 （ｆ ） 中， 可计算出灰度差值 ｅｉ。激励