谢云璇

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赖性较强，边缘线中断将严重影响检测结果。

3.2.2 基于图像灰度信息的角点检测算法

此类算法主要通过计算梯度及曲率来检测角点，大致分为：（1）基于方向导数；（2）直接基于图像的亮度对比关系。

此类算法最早由Kitchen-Rosenfeld提出。Moravec提出利用灰度方差提取“兴趣算子”来提取角点。1988年，Harris等人改进了Moravec算子，提出了著名的Harris角点检测算子。1997年，Smith和Brady提出了具有很强抗噪声性能的SUSAN提取算子。1998年，Trajkovic和Hedley就是基于同值分割吸收核（USAN）算法提出了一種快速角点检测方法——MIC算法。

此类算法缺点是定位精度较低。

3.2.3 基于小波变化的角点检测算法

小波变换对分析图像局部特征十分有效。根据尺度空间的图像分析理论，1992年，Rattarangsi提出基于尺度空间的角点检测思想。1998年，Mokhtarian和Suomela基于尺度空间提出一种高尺度检测角点，降低尺度改善角点定位的新的角点检测算法。

王展等人采用二阶导数零交叉边缘检测算子以及围线跟踪算法提取边缘曲线，用一组自相似二进Gabor小波变换滤波器将频域分为多个子带，对两不同尺度滤波器输出求差并取模，根据结果判定该点是否是角点。

4 结语

基于匹配的目标识别是图像识别、目标跟踪等研究领域非常重要的研究方向，其中特征匹配、焦点检测、小波变换等都具有广泛的应用范围。该文介绍了多种基于匹配的目标识别方式，分析其发展和优缺点，对进一步的算法选择和研究提供了参考。

参考文献

[1] Lewis JP.Fast Template Matching[J].Vision Interface ，1995，32（4）：351-361.

[2] Kim Jeesun，Cvejic Erin，Davis Chris.Tracking eyebrows and head gestures associated with spoken prosody[J].Speech Communication， 2014（57）：317-330.

[3] Zhang J，Marszalek M，Lazebnik S，et al.Local Features and Kernels for Classification of Texture and Object Categories： A Comprehensive Study[J].International Journal of Computer Vision，2007，73（2）：213-238.