第6章 基于模板匹配的图像识别方法

第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.2
全局模板匹配
平方误差度量
假设模板的大小为m×n，图像大小为 Width×Height。模板中某点坐标为(x0,y0)，灰度 为U(x0,y0)；与之重合的图像点坐标为(X0-x0,Y0-y0) ，灰度为V(X0-x0,Y0-y0)。则一次匹配的结果为：
[ f x j, y k t j, k ]
j 1 k 1 1
J
K
2
全部图像都搜索后，找到最小的即为结果。
第 5 5.3 模板向量匹配 章 基 SSDA法(Sequent Similarity Detection 于 模 A1gorithm)： 板 直接用相关法求匹配的计算量很大，除匹配点外，都 匹 配 是在非匹配点上做无用功。 的 图 序贯相似性度量法： 选择一个固定门限，若在某点上计算两幅图像的残差 像 识 和的过程中，残差和大于该固定门限，就认为当前点不是 别 匹配点，从而终止当前残差和的计算，转向其他点去计算
应用现状
1、文字识别 2、生物识别 3、条码识别 4、目标跟踪 5、工业检测

第 5 5.2 全局模板匹配 章 基 于 模 为了从图像中确定出是否存在某一目标，可 板 匹 把某目标从标准图像中预先分割出来作为全局描 配 述的模板，然后在另一幅图像中搜索是否有这种 的 图 模板目标。 像 识 别
作垂直方向投影
其中，横坐标是图像的x坐标，纵坐标即黑色线条 的高度代表了该列上白色点的个数。图中间的高 峰部分就是我们要找的水平方向上纪念碑所在的 位置，这就是投影法。
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
1
投影法
可以看出投影法是一种很自然的想法， 有点象灰度直方图。为了得到更好的效果， 投影法经常和阈值化一起使用。由于噪声点 对投影有一定的影响，所以处理前最好先做 一次平滑，去除噪声。
第 5 章 5.4 特征匹配 对于 m j 的最小距离分类就是把输入的新模式x分 基 于 为 类，遵循的分类规则就是x与参考模型原型 m 之 j j 模 板 间的距离，与哪一个最近就属于哪一类。 匹 配 可采用欧氏距离来确定两者之间的接近程度： 的 图 D j ( x) x m j j 1, 2,, w 像 识 欧氏距离的最小值代表了模式的最佳匹配。继续对 别 上式进行推导：
第 蓝幕技术 5 章 基 蓝幕技术又叫做色度键技术，简单地说， 于 模 他是通过在同一色彩的背景上拍摄物体，通过 板 背景色彩特殊的色调信息加以区分前景和背景 匹 ，从而达到自动去除背景保留前景的目的。 配 的 图 像 识 别


第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.4

特征匹配
最小距离分类器
该分类器基于对模式的采样来估计各类模式 的统计参数，并且完全由各模式类的均值和方差 确定。
j 用均值矢量 m j 表示： 1 mj x j 1, 2,, w N j x j
假定有w个类，并给出w个参考矢量(此处具 体为均值量) m1, m2 , mw ，在这里将每一个模式
残差和，最后认为残差和增长最慢的点就是匹配点。
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.4
特征匹配
若图像待识别部分和模板都用特征向量表示，则 向量的维数大为减少。例如用不变矩描述时，则 f(j, k)和w(j, k)特征向量只有7维，即：
x x11 , x12 , x13 , x14 , x15 , x16 , x17 ,
x y
在点(m,n)处的全局样本相关
式中，m=0,1,2…, M-1; n=0,1,2,…, N-1。
第 5 5.2 全局模板匹配 章 基 相关性度量 于 模 板 进一步规格化相关度： 匹 配 J K 的 f1 j m, k n w j , k 图 j 1 k 1 R m, n J K 像 1 J 1 K 识 [ f12 j m, k n ]2 [ w2 j , k ] 2 别 j 1 k 1 j 1 k 1
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.2
全局模板匹配
y N K (m,n)
相关性度量
设图像f(x,y)大小为M×N， x 目标模板w(x,y)的大小为J×K， M 常用相关性度量R(x,y)来表示 它们之间的相关性：
J
R m, n f x+m, y n w x, y
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
投影法和差影法
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
1
投影法
举例说明：
图1.1
华盛顿纪念碑
图1.2
将图1.1二值化
如何识别出纪念碑的具体位置？
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
1
投影法
由于纪念碑所在的那几列 的白色点比起其它列多很多， 那么把该图在垂直方向做投影。 即扫描图像的每一列像素，统 计该列中有多少像素的灰度值 为255，然后绘制柱状图。
第 5章 基于模板匹配的 图像识别
M-1
模板T
M
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.1
目
概
的
述
在图像中寻找是否有所关心的目标。
基本思想
拿已知的模板和 原图像中同样大 小的一块区域去 对。
N-M+1
N-M+1
M-1
子图S
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
2
差影法
基本思想：将前后两幅图像相减，得到的差 作为结果图像。
原始图像:前景+背景
背景
原图和背景相减的结果
wk.baidu.com
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
差影法是非常有用的，比如说可以用在监 控系统中。在银行金库内，摄像头每隔一小段 时间，拍摄一幅图，与上一幅图做差影；如果 差别超过了预先设置的阈值，说明有人，这时 就应该拉响警报。 我们在介绍灰度窗口变换时，曾经提到了 电影“阿甘正传”特技中应用了“蓝幕”技术 ，其实也包含了差影法的原理。
T T D j ( x) ( x m j ) ( x m j ) x .x x .m j m j .( x m j ) T T
第 5 二阶段模板匹配 章 5.5 基 于 粗检索：每隔若干个像素把模板和图像重叠，并 模 计算匹配的尺度，求出对象物大致存在的范围。 板 匹 细检索：在粗检索求出的范围内，让模板每隔一 配 个像素移动一次，根据求出的匹配尺度确定对象 的 物所在的位置。 图 像 识 别
y w11 , w12 , w13 , w14 , w15 , w16 , w17 ,
x和w向量差可用差向量的范数来表示：
DJ x, w x w x w
2
T
x w
第 5 5.4 特征匹配 章 基 若图像中已分割出L个目标物，求其中是否有目 于 标物W，则只需求出L个 模 板 2 匹 D x , w w x j 1, 2,..., L j j 配 的 选出其中最小的一个Dj，即为与w相似的图像。 图 像 识 别