摘  要：针对某些应用中目标表面纹理较少，目标检测困难的问题，提出了一种基于区域梯度压缩的少纹理目标候选框提取算法。该算法是对模板匹配算法OCM的改进。算法对局部区域梯度方向进行压缩，保持了较低的计算复杂度，并且提出了新的梯度方向压缩方法与相似度衡量方法。实验证明，该算法相较于OCM算法，在产生接近数量候选框的情况下，召回率提高了6.5%;在召回率接近时，产生的候选框数量减少了41.9%。

关键词：少纹理目标;目标检测;模板匹配;目标候选框提取;量化编码梯度方向;二进制梯度方向压缩

中图分类号：TP391      文献标识码：A 文章编号：2096-4706（2020）02-0102-04

Abstract：In some applications，the objects to be detected dont have enough surface texture informations，which causes a great challenge to the accurate object detection. Aiming at above issue，this paper proposes a candidate box extraction algorithm for texture-less object based on region orientation compression. This algorithm is an improvement on the template matching algorithm OCM. The algorithm compresses the local area edge orientation and maintains a low computational complexity，the algorithm proposes new orientation compressing method and similarity measurement method. Experiments results show that compared with the OCM，the algorithm can improve the recall rate by 6.5%. When the recall rate is close，the algorithm reduce the amount of candidate boxes by 41.9%.

Keywords：texture-less object;object detection;template matching;object candidate box extraction;quantized and encoded orientation;binary gradient direction compression

0  引  言

數字图像目标检测是计算机视觉领域核心问题之一。在实际生产生活中，目标检测技术在机器人系统[1]、图像检索[2]和增强现实[3]等众多领域中都有广泛应用。在一些工业场景中目标表面纹理信息较少，称为少纹理目标。针对于少纹理目标的目标检测算法主要分为基于描述子算法与基于模板匹配算法。

基于描述子的目标检测算法根据兴趣点建立特征描述子作为检测依据。David提出的SIFT算法[4]根据邻域梯度方向建立描述子。后续提出的描述子算法BOLD[5]与BORDER[6]，则都根据线段群之间的联系建立描述子。基于描述子算法往往依赖于目标表面稳定且区别度高的特征点。当目标纹理信息较少，检测准确率会受到较大影响。

基于模板匹配的目标检测算法根据选取特征对模板进行学习，将目标模板作为滑动窗口与测试图片不同区域进行匹配，得到目标候选位置。……