基于哈特莱变换的快速图像模板匹配算法
如何进行高效的图像匹配和图像配准
如何进行高效的图像匹配和图像配准图像匹配和图像配准是计算机视觉领域中常见的任务，其目的是通过计算机算法将两幅或多幅图像进行比较，从而找出它们之间的相似性或者进行图像的对齐。
本文将介绍一些高效的图像匹配和图像配准的方法。
一、图像匹配图像匹配即是将一幅图像中的特征在另一幅图像中找到对应物体或者区域。
下面是一些常见的图像匹配方法：1.特征点匹配特征点匹配是最常见的图像匹配方法之一，它通过在图像中提取特征点，并计算特征点的描述子，然后使用某种度量来比较两幅图像的特征点，找出最相似的特征点对。
常用的特征点匹配算法包括SIFT、SURF和ORB等。
2.直方图匹配直方图匹配是一种基于图像全局颜色或纹理分布的匹配方法，它将图像的直方图进行比较，通过计算直方图之间的相似性度量来进行匹配。
直方图匹配适用于颜色和纹理信息较为明显的图像匹配任务。
3.模板匹配模板匹配是一种基于像素点灰度值的匹配方法，它通过将一个预定义的模板图像滑动或者扫描到待匹配图像上，计算模板和图像之间的相似性度量，从而找到最佳匹配位置。
模板匹配适用于物体检测和目标跟踪等应用场景。
4.特征描述子匹配特征描述子匹配是一种将图像中的局部特征点的描述子进行比较的匹配方法，它通过计算特征点描述子之间的相似性度量找到最佳匹配。
常用的特征描述子匹配算法包括基于二值描述子的BRISK和ORB，基于二进制描述子的BRIEF和FREAK，以及基于浮点数描述子的SIFT、SURF和AKAZE等。
二、图像配准图像配准是将两幅或多幅图像进行对齐，使得它们在空间上或者几何上具有一致性。
下面是一些常用的图像配准方法：1.特征点配准特征点配准是将两幅图像中的特征点进行对应的一种配准方法，它通过计算特征点的几何变换关系，然后将其中一幅图像进行变换，使得两幅图像的特征点对应一致。
常用的特征点配准方法包括RANSAC、LMS和Hough变换等。
2.像素级配准像素级配准是将两幅图像的像素进行一一对应的配准方法，它通过计算图像间的几何变换关系，然后将其中一幅图像进行变换，使得两幅图像在几何上对应一致。
halcon解决方案指导--模板匹配Matching（第一章、第二章、第三章）
halcon解决方案指导--模板匹配Matching（第一章、第二章、第三章）解决方案指导------匹配（Matching）（1章、2章、3章）关于本手册匹配是一种适合于在图像中查找和定位目标的方法。
该解决方案指南引导您使用HALCON提供的各种匹配方法。
第7页第1节中介绍了可用的匹配方法，包括为特定应用选择特定方法的技巧。
第19页第2节讨论了一些适用于多种方法的通用主题。
例如包括：选择合适的模板，速度提升的技巧和使用结果。
第57页第3节提供了一些关于个别的匹配方法的细节信息。
本解决方案指南中提供的HDevelop示例程序可以在目录%HALCONROOT%的指定子目录中找到。
目录解决方案指导------匹配（Matching）（1章、2章、3章） (1)第一章简介 (4)1.1 怎样使用该手册？ (4)1.2 匹配是什么？ (4)1.3 如何进行一般的匹配? (5)1.4 可用的方法有哪些? (5)1.5哪种方法适用于哪种情况? (6)1.5.1 匹配方法:2D与3D的比较 (6)1.5.2 3D空间中3D对象和2D对象的决策 (7)1.5.3 正交成像2D对象的第一个决策 (9)1.5.4 基于形状的匹配VS基于相关性的匹配 (10)1.5.5匹配方法的快速指南 (11)第二章总论 (13)2.1 准备模板 (14)2.1.1 将参考图像简化为模板图像 (14)2.1.2 感兴趣区域的影响 (15)2.1.2.1参照点 (15)2.1.3 合成模型作为模板图像的替代品 (17) 2.2 模板再使用 (22)2.3加快搜索速度 (23)2.3.1限制搜索空间 (23)2.3.2关于二次抽样 (24)2.4 使用匹配结果 (26)2.4.1 单个匹配方法的结果 (26)2.4.2 关于转换 (28)2.4.3 使用估计的二维位置和方向 (31) 2.4.4使用估计的二维尺度 (41)2.4.5使用估计的二维单应矩阵 (43)2.4.6使用估计的三维姿态 (45)2.4.7关于分数 (47)第三章单个方法 (48)3.1 基于灰度的匹配 (48)3.2 基于相关性的匹配 (49)3.2.1 一个例程 (49)3.2.2选择模型ROI (51)3.2.3建立合适的NCC模型 (51)3.2.4优化搜索过程 (53)3.3 基于形状的匹配 (54)3.3.1 一个例子 (55)3.3.2选择模型ROI (58)3.3.3创建合适的形状模型 (60)3.3.4优化搜索过程 (67)3.3.5使用基于形状匹配的具体结果 (78) 3.3.6适应相机方向的改变 (80)3.4基于组件的匹配 (81)3.4.1一个例子 (82)3.4.2提取初始组件 (85)3.4.3创建合适的组件模型 (86)3.4.4模型实例的搜索 (93)3.4.5使用基于组件的匹配的具体结果 (96)3.5局部形变匹配 (98)3.5.1一个例子 (98)3.5.2选择模型ROI (102)3.5.3建立合适的局部变形模型 (102)3.5.4优化搜索过程 (105)3.5.5使用局部形变匹配的具体结果 (107)3.6透视变形匹配 (109)3.6.1一个例子 (110)3.6.2选择模型ROI (112)3.6.3创建合适的透视图变形模型 (112)3.6.4优化搜索过程 (116)3.6.5使用透视图变形匹配的具体结果 (118)3.7 基于描述符的匹配 (120)3.7.1一个例子 (120)3.7.2选择模型ROI (123)3.7.3创建合适的描述符模型 (123)3.7.4优化搜索过程 (126)3.7.5使用基于描述符匹配的具体结果 (128)第一章简介该部分介绍了HALCON的匹配功能。
基於HALCON的模板匹配方法总结
基於HALCON的模板匹配方法總結基於HALCON的模板匹配方法總結很早就想總結一下前段時間學習HALCON的心得，但由於其他的事情總是抽不出時間。
去年有過一段時間的集中學習，做了許多的練習和實驗，並對基於HDevelop的形狀匹配算法的參數優化進行了研究，寫了一篇《基於HDevelop的形狀匹配算法參數的優化研究》文章，總結了在形狀匹配過程中哪些參數影響到模板的搜索和匹配，又如何來協調這些參數來加快匹配過程，提高匹配的精度，這篇paper放到了中國論文在線了，需要可以去下載。
德國MVTec公司開發的HALCON機器視覺開發軟件，提供了許多的功能，在這裡我主要學習和研究了其中的形狀匹配的算法和流程。
HDevelop開發環境中提供的匹配的方法主要有三種，即Component-Based、Gray-Value-Based、Shape-Based,分別是基於組件（或成分、元素）的匹配，基於灰度值的匹配和基於形狀的匹配。
這三種匹配的方法各具特點，分別適用於不同的圖像特征，但都有創建模板和尋找模板的相同過程。
這三種方法裡面，我主要就第三種－基於形狀的匹配，做了許多的實驗，因此也做了基於形狀匹配的物體識別，基於形狀匹配的視頻對象分割和基於形狀匹配的視頻對象跟蹤這些研究，從中取得較好的效果，簡化了用其他工具，比如VC++來開發的過程。
在VC下往往針對不同的圖像格式，就會弄的很頭疼，更不用說編寫圖像特征提取、模板建立和搜尋模板的代碼呢，我想其中間過程會很復雜，效果也不一定會顯著。
下面我就具體地談談基於HALCON的形狀匹配算法的研究和心得總結。
1. Shape-Based matching的基本流程HALCON提供的基於形狀匹配的算法主要是針對感興趣的小區域來建立模板，對整個圖像建立模板也可以，但這樣除非是對象在整個圖像中所佔比例很大，比如像視頻會議中人體上半身這樣的圖像，我在後面的視頻對象跟蹤實驗中就是針對整個圖像的，這往往也是要犧牲匹配速度的，這個後面再講。
模板匹配算法原理
模板匹配算法原理
模板匹配算法是一种基于像素级别的图像识别方法。
该算法的原理是将一个小的图像（称为模板）与另一个较大的图像（称为源图像）进行比较，通过像素级别的比较来确定它们之间的相似度。
当源图像中存在与模板相似的图案或物体时，模板匹配算法可以将其检测出来。
模板匹配算法分为两种：基于像素的模板匹配算法和基于特征的模板匹配算法。
基于像素的模板匹配算法通过像素级别的比较来确定模板与源图像之间的相似度。
该算法的优点是速度快且适用于大尺寸的图像，但缺点是对光照和噪声比较敏感。
基于特征的模板匹配算法则是通过提取图像的特征来确定模板与源图像之间的相似度。
该算法的优点是对光照和噪声不敏感，但缺点是计算量比较大和对图像特征提取的精度要求较高。
模板匹配算法在实际应用中广泛使用，例如在医学图像识别、人脸识别、指纹识别、自动驾驶等领域。
在人脸识别中，模板匹配算法可以通过比较存储的人脸模板和实时摄像头捕捉到的人脸图像来确
定是否匹配。
在指纹识别中，模板匹配算法可以将指纹图像与已知指纹模板进行比较来进行指纹识别。
在自动驾驶中，模板匹配算法可以通过匹配道路标志来确定车辆所在的位置和行驶方向。
总之，模板匹配算法是一种有效的图像识别方法，具有广泛的应用前景。
- 1 -。
基于图像特征点的快速匹配算法研究
基于图像特征点的快速匹配算法研究第一章绪论图像匹配是计算机视觉领域中的一个重要问题，它的主要目的是在两个或多个图像中找到相同的物体或者场景。
这个问题的应用场景非常广泛，比如在医学影像分析、机器人导航、智能交通监控、虚拟现实等领域都有很重要的应用。
图像匹配算法的研究是计算机视觉领域的热点和难点之一。
传统的图像匹配算法主要是基于特征点的匹配，其中特征点是一种本质稳定的图像特征，通过在图像中检测出它们，可以在不同图像中寻找相同的物体或者场景。
而图像匹配的主要问题在于特征点在不同图像中的描述可能存在差异，这就需要使用一种快速、准确的算法来进行特征点的匹配。
因此，本文将主要研究基于图像特征点的快速匹配算法。
第二章相关技术介绍在研究基于图像特征点的快速匹配算法之前，需要先了解一些相关的技术知识。
首先是图像特征点的检测与描述技术，包括了SIFT、SURF、ORB等算法。
这些算法通过在图像中检测出特征点，并将它们描述成一个向量，可以方便地进行特征点的匹配。
另一个相关的技术是图像特征点匹配算法，常见的有基于暴力匹配的算法和基于近似最近邻搜索的算法。
前者的复杂度较高，需要对每对特征点进行一次比较，因此不适合对大规模的数据进行匹配。
而后者则利用了数据结构和算法的优势，使得匹配速度大幅度提高。
第三章方法介绍基于图像特征点的快速匹配算法主要分为两个步骤，即特征点的检测与描述和特征点的匹配。
在特征点的检测与描述步骤中，可以使用SIFT、SURF等算法。
这些算法首先在图像中检测出特征点，并对每个特征点提取出一组描述子，将其表示成一个向量。
在特征点的匹配步骤中，可以使用基于近似最近邻搜索的算法。
具体来说，可以使用kd-tree等数据结构，将匹配图像中的特征点建立索引，然后在待匹配图像中搜索与之距离最近的特征点。
经过一些优化后，可以在较短的时间内完成特征点的匹配。
第四章实验与结果分析为了验证基于图像特征点的快速匹配算法的效果，我们对其进行了实验。
图像处理中的快速匹配算法研究
图像处理中的快速匹配算法研究图像处理是一门涵盖多个领域的复杂学科，其中的快速匹配算法作为其中的一个重要分支，是图像处理中不可或缺的部分。
快速匹配算法旨在快速地从大量的图像中检索出与特定图像相似的图像，从而提高图像处理的效率。
在传统的图像处理中，通常会将图片的特征点提取出来，再在多个候选图像中进行比对，以找到最为相似的一个图像。
而这种方法通常需要大量的计算，其效率较低。
而快速匹配算法则可以通过优秀的算法设计和高效的数据结构，实现对大量图片的快速准确匹配。
在快速匹配算法中，最具代表性的算法当属SIFT（Scale-Invariant Feature Transform）算法。
SIFT算法的主要思想是利用一些不会因物体的旋转、缩放、亮度变化而发生改变的特征点来进行匹配。
这些特征点通常具有一些独特的属性，例如关键点的尺度、方向、灰度值等。
该算法通过一系列的预处理、特征检测和特征描述等步骤，实现对图像的匹配。
这种算法在实际应用中具有很好的效果，能够快速准确地匹配大量图像。
除了SIFT算法外，SURF算法也是快速匹配算法中的另一个代表性算法。
SURF算法是由SIFT算法发展而来的一种新算法，其主要优势在于算法计算速度更快。
相比于SIFT算法，SURF算法在特征检测和特征描述中采用了更加高效的方式，从而大幅提高了算法的运行速度。
除了SIFT和SURF算法外，近年来还涌现出了许多新的快速匹配算法。
例如ORB算法、FAST算法和BRIEF算法等，这些新算法都秉持着快速、准确和高效的原则，将快速匹配算法的应用领域进一步拓展。
快速匹配算法在实际应用中具有广泛的应用。
例如，图像搜索、目标检测和图像识别等方面，各种快速匹配算法都有着广泛的应用。
此外，快速匹配算法在工业制造、医疗影像等领域也有着广泛的应用，其快速、准确的特性能够帮助人们更好地进行工作。
快速匹配算法的研究一直是图像处理领域的热门研究方向。
随着计算机技术的发展和算法研究者的发掘，相信未来会有越来越多的高效、快速的匹配算法涌现出来，为图像处理的卓越发展铺平道路。
基于模板抽样的快速图像匹配算法
基于模板抽样的快速图像匹配算法姜凯;陈海霞;刘立峰;汤建华【期刊名称】《光学精密工程》【年(卷),期】2004(012)003【摘要】为了提高图像匹配速度,满足某些领域的实时性要求,提出了一种快速图像匹配算法.该算法利用Sobel边缘算子得到模板的灰度边缘图像,并对该边缘图像进行抽样以提取匹配点,从而显著减少匹配过程的计算量.利用遗传算法的非遍历搜索机制,迅速收敛到全局近似最优解,进一步减少了匹配过程的计算量.在此基础上引人精确匹配环节,找出了目标子图像的精确位移及旋转角度.将该算法应用于全自动金丝球焊机的图像识别系统,在主频为1 GHz的工控机上实现该算法,匹配时间平均约为37 ms,小于系统在60 ms内进行匹配的要求,连续多次实验算法均能精确匹配目标的概率为93.8%,满足该系统的实时性与精度要求,取得了理想的效果.【总页数】5页(P311-315)【作者】姜凯;陈海霞;刘立峰;汤建华【作者单位】中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033;中国科学院,研究生院,北京,100000;吉林大学,计算机科学与技术学院,吉林,长春,130025;中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033;中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033【正文语种】中文【中图分类】TP391.4【相关文献】1.基于有向模板和颜色加权SVD的图像匹配算法 [J], 康海洋;王杰生;何国金2.基于像素抽样的快速互相关图像匹配算法 [J], 曹炬;马杰;谭毅华;田金文3.基于圆形窗口模板的图像匹配改进算法 [J], 王英武;吴力涛;余辉;赵忠惠;4.模板图像匹配中互相关的一种快速算法 [J], 陈沈轶;钱徽;吴铮;朱淼良5.基于形状模板的快速高精度可靠图像匹配 [J], 赵振民;彭国华;符立梅因版权原因，仅展示原文概要，查看原文内容请购买。
基于Harris和最佳缝合线的图像拼接算法
基于Harris和最佳缝合线的图像拼接算法摘要：图像拼接是图像处理技术的一个重要内容，是一种将多张有衔接重叠的图像拼成一张高分辨率图像的技术。
该技术广泛应用于显微图像分析、数字视频、运动分析、医学图像处理、虚拟现实技术和遥感图像处理等领域[1]。
本次方法探究是为满足不同形态的工件图像拼接要求，得到拼接影像量测工件尺寸，从而对图像拼接技术做深入探究，提出基于棋盘格标定板角点检测图像拼接的处理方法。
探究基于棋盘格标定板角点特征的图像拼接技术，利用RANSAC算法提高关键点匹配度，然后为消除拍摄角度产生的尺寸误差，对拍摄的图像进行透视变换，最后基于C++编程实验实现透视变换后两张图像拼接过程，实验结果证明了拼接方法的可行性及有效性。
关键词：特征检测匹配；RANSAC；最佳缝合线图像拼接；透视变换；0引言图像拼接是一个日益流行的研究领域，它已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点话题。
图像拼接所要解决的问题一般表现为通过对齐一系列的空间重叠图像构造一个无缝的高清晰度的图像，它具有比单个图像更高的分辨率和更大的视野[2]。
对于这些有重叠部分的图像，一边通过两种方法获得：一种是固定照相机的转轴，然后绕轴旋转所拍摄的照片；另一种是固定照相机的光心，水平摇动镜头所拍摄的照片[3]。
其中前者主要是用于远景或遥感图像的获取，后者主要用于显微图像的获取还有一种方法是针对于工件测量的拍摄方式，将相机放于工件上方水平移动拍摄，将拍摄的照片拼接起来。
它们共同的特点都是获得二维图像，但通常由于机械或者场景的不理想导致各衔接图像不能完全匹配，因此这给拼接图像环节带来了严重问题。
为此，本文就图像拼接出现的严重问题，为了满足不同形态的工件图像拼接要求，提高拼接的精度，提出一种基于棋盘格标定板角点检测特征匹配的拼接方法。
1 工件图像特征点检测完成高分辨率图像拼接的第一步是选择准确度较高的图片配准方法，这样才能找出图片中的关键点(即特征点)[4]。
模板匹配算法
1、模板匹配法：在机器识别事物的过程中，常常需要把不同传感器或同一传感器在不同时间、不同成像条件下对同一景象获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图像中寻找相应的模式，这就叫匹配。
在遥感图像处理中需要把不同波段传感器对同一景物的多光谱图像按照像点对应套准，然后根据像点的性质进行分类。
如果利用在不同时间对同一地面拍摄的两幅照片，经套准后找到其中特征有了变化的像点，就可以用来分析图中那些部分发生了变化；而利用放在一定间距处的两只传感器对同一物体拍摄得到两幅图片，找出对应点后可计算出物体离开摄像机的距离，即深度信息。
一般的图像匹配技术是利用已知的模板利用某种算法对识别图像进行匹配计算获得图像中是否含有该模板的信息和坐标；2、基本算法：我们采用以下的算式来衡量模板T（m,n)与所覆盖的子图Sij（i,j)的关系，已知原始图像S(W,H)，如图所示：利用以下公式衡量它们的相似性：上述公式中第一项为子图的能量，第三项为模板的能量，都和模板匹配无关。
第二项是模板和子图的互为相关，随（i,j）而改变。
当模板和子图匹配时，该项由最大值。
在将其归一化后，得到模板匹配的相关系数：当模板和子图完全一样时，相关系数R(i,j) = 1。
在被搜索图S中完成全部搜索后，找出R的最大值Rmax(im,jm)，其对应的子图Simjm即位匹配目标。
显然，用这种公式做图像匹配计算量大、速度慢。
我们可以使用另外一种算法来衡量T和Sij的误差，其公式为：计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向选取一个误差阀值E0，当E(i,j)>E0时就停止该点的计算，继续下一点的计算。
最终的实验证明，被搜索的图像越大，匹配的速度越慢；模板越小，匹配的速度越快；阀值的大小对匹配速度影响大；3、改进的模板匹配算法将一次的模板匹配过程更改为两次匹配；第一次匹配为粗略匹配。
取模板的隔行隔列数据，即1/4的模板数据，在被搜索土上进行隔行隔列匹配，即在原图的1/4范围内匹配。
halcon模板匹配
halcon模板匹配在机器视觉应⽤中，经常需要对图像进⾏仿射变换。
1、在基于参考的视觉检测中，由于待检图像与参考图像或多或少都会存在⼏何变化（平移、旋转、缩放等），所以在做⽐较之前⼀般都要对待检图像进⾏仿射变换以对齐图像。
2、要进⾏仿射变换，必须先获取变换矩阵，形状匹配是获取变换矩阵的⼀种⾼效的⽅法。
3、Halcon的如下⼏个函数是专门⽤于计算变换矩阵的：vector_angle_to_rigid ：Compute a rigid affine transformation from points and angles.vector_to_rigid ：Approximate a rigid affine transformation from point correspondences.vector_to_similarity ：Approximate an similarity transformation from point correspondences.vector_to_hom_mat2d ：Approximate an affine transformation from point correspondences.4、Halcon中⽤于形状匹配的函数有：find_shape_model ：Find the best matches of a shape model in an image.find_shape_models ：Find the best matches of multiple shape models.find_scaled_shape_model ：Find the best matches of a scale invariant shape model in an image.find_scaled_shape_models ：Find the best matches of multiple scale invariant shape models.5、单匹配计算刚性变换矩阵：vector_angle_to_rigid只需要⼀个点对及⼀个⾓度对即可计算刚性变换矩阵，所以可直接利⽤find_shape_model的结果，但精度可能稍低。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
算 法 计 算 量 的 定 量 分 析 和 仿 真 实 验 结 果 表 明 ， 法 计 算 效 率 高 ， 且 可 以 完 全 重 构 ， 速 比 与 图 像 内 容 无 关 ， 合 算 并 加 综 性 能 全 面 优 于 现 有 算 法 ， 有 良好 的工 程 应 用 前 景 。 具 关 键 词 ：图 像 匹 配 ；离 散 哈 特 莱 变 换 ；导 航 系统 ；快 速算 法
ｏ ｃｅ ｃ ｎ ｅ ｈ ｏ ｇ ｎ Ｍｕｔ Ｓ ｅ ｔ ｌ ｎｏｍ ｔ ｎＰ ｏ ｅｓ ｇ， ｈ ｎ４ ０ ７ ，Ｃ ｉａ ｆ ｉ ｅａ ｄ Ｔ ｃ ｎ ｌ ｙｏ ｌ － ｐ ｃ ａ Ｉ ｆ ａｉ ｒｃ ｓｉ Ｗｕ ａ ３ ０ ４ ｈ ｎ ） Ｓ ｎ ｏ ｉ ｒ ｒ ｏ ｎ
该 算 法 在 哈 特 莱 域 的 表 达 式 ， 用 可 分 离 的 快 速 哈 特 莱 变 换 对 相 关 面 进 行 高 效 率 整 体 计 算 ， 后 在 空 间域 对 获 取 利 然
的 相 关 面 进 行 快 速 归 一 化 处 理 和极 值 搜 索 ， 通 过 空 间换 取 时 间 和 积 分 图 的 策 略 进 一 步 加 快 算 法 的 计 算 速 度 。 对 并
Ａｂ ｔａ ｔＴｈ ｘ ａ ｓｉｅｓａｃ ｅｏｍｅ ｎｎ ｒ ｌ ｅ ｒｓ—ｏｒｌｔ ｎａｇｒｔｍ （ ＮＣ ｓｒ ｃ ： ｅｅ ｈ ｕ ｔ —ｅ ｒｈｚ ｒ— ａ ｏｍａｉ ｄｃｏ ｓｃ ｒｅａｉ ｌｏｉ ｖ ｚ ｏ ｈ Ｚ Ｃ）ｉ ｏ ｅｏ ｈ ｓ ｉｅｙ ｓ ｎ ｆｔｅｍｏｔｗ ｄ ｌ
（ ｎｔ ｕｅｆｒ ａｔ ｎ Ｒ ｃ ｇ ｉ ｏ ｎ ｒ ｆ ｉ ｎｅ ｉｅ ｃ ，Ｈ ａ ｈ ｎ ｎｖ ｒ ｔ ｏ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ Ｎ ｔ ｎ ｌＫ ｙｌｂ ｒｔ ｙ Ｉｓｉ ｔ ｏ ｔ ｒ ｅ ｏ ｎｔ ｎ ａ ｄ Ａ ｔｉ ａ Ｉ ｔ ｌ ｎ ｅ ｕ ｚ ｏ ｇＵ ｉｅｓ ｙ ｆ ｉ ｅ ａ ｄ Ｔ ｃ ｎ ｌ ， ａｉ ａ ｅ ｏａ ｒ ｔ Ｐ ｅ ｉ ｉｃ ｌ ｌｇ ｉ Ｓ ｎ ｇ ｏ ａ ｏ
（ 中科 技 大学 图像 识 别 与人 工 智 能 研 究 所 ，多 谱 信 息 处 理 技 术 国家 级 重 点 实 验 室 ， 汉 ４ ０ ７ 华 武 ３ ０４）
摘 要 ：去 均 值 归 一 化 模 板 互 相 关 （ Ｎ Ｃ 是 工 程 中应 用 最 多 的 图 像 匹 配 算 法 ， 过 高 的计 算 复 杂 度 严 重 限 ＺＣ） 但 制 了 其 在 实 时 系 统 中 的应 用 。针 对 这一 问题 ， 出 了基 于 快 速 哈 特 莱 变 换 的 快 速 模 板 图像 匹 配 算 法 ， 先 推 导 了 提 首
第 ３ ２卷 第 ５期ｕ ｎ ｌｏ ｔ ｎ ｕ ｉｓ ｏ ｒ ａ ｆ Ａｓｒ ａ ｔ ｏ ｃ
Ｖｏ ． ２ Ｎｏ ５ １３ ． Ｍａ ｙ ２０１ １
基 于 哈特 莱 变 换 的快 速 图像 模 板 匹配算 法
龚俊 斌 ， 明德 烈 ， 刘德 坤 ，田金 文
ｕｓ ｄ ｉ ｇ ｔ ｈ ｎ ｌｏ ｉｈ ｓｉ ｈｅ ａ ｔ ｎ ｍｉ ｖｇ ｔｏ ｓ ｓｅ ｓ ｏ ｎｍａ ｎｅ ｅ ｉｌｖ ｈｉｌ Ｈ ｏ ｖ ｒ，ｔ ｅ ｏ ｕｔ— ｅ ｍａ ｅ ｍａ ｃ ｉ ｇ ａｇ ｒｔ ｍ ｎ ｔ ｕ ｏ ｏ ｃ ｎａ ｉ ａｉｎ ｙ ｔｍ ｆ ｕ ｎ ｄ ａ ｒａ ｅ ｃｅ． ｗｅ ｅ ｈ ｃ ｍｐ ａ
中 图 分 类 号 ：Ｔ ３ １ Ｐ ９ 文 献标 识 码 ：Ａ 文 章 编 号 ：１０ —３ ８ ２ １ ）５１ １—９ ０ ０ １２ （０ １０ —１５０
ＤｏＩ ０ ３ ７ ／ ．ｓｎ １ ０ —３ ８ ２ １ ， ５ ０ ２ ：１ ． ８ ３ ｊｉｓ ． ０ ０ １ ２ ． ０ １ ０ ． ２
Ｆａ ｔＩ ａ ｅ Ｔｅ ｐ ａ ｅ Ｍ ａ ｃ ｉ ｇ ｒ ｔ ｓ ｍ ｇ ｍ ｌ ｔ ｔ ｈ ｎｇ Ａｌ ｏ ｉｈｍ ｓ ｄ ｏ Ｂａ ｅ ｎ
Ｄｉ ｃ ｅ ｅ Ｈａ ｔｅ ａ ｓ ｏ ｍ ｓ ｒ ｔ ｒ ｌ ｙ Ｔｒ ｎ ｆ ｒ
ＧＯＮ Ｊ ｎ ｂ ｎ，ＭＩ — ｅ Ｉ － ｕ Ｇ ｕ — ｉ ＮＧ Ｄｅ ｌ ，Ｌ Ｕ Ｄｅ ｋ ｎ，Ｔ ＡＮ Ｊｎ ｗ ｎ ｉ Ｉ ｉ—ｅ
ｇ ｒｔ ｍ ｉ ｓ ｒｂｅ ｎ ｔ ｅ Ｈａ ｔｅ ｏ ｉ Ｓ ｃ ｎｄ，ｔ ｒ ｓｃ ｒｅａ ｉｎ ｓ ｒａ ｅ ｉ ｂｔｉ ｅ ｙ ｔ ｅ ａ ａ ｌ ｆ ｓ ｒ— ｏ ｉｈ ｓｄｅ ｃ ｉ ｄ ｉ ｈ ｒｌ ｙ ｄ ｍａｎ． ｅ ｏ ｈｅ ｃｏｓ —ｏ ｒ ｌｔｏ ｕ ｃ ｓｏ ａ ｎ ｄ ｂ ｈｅ ｓ ｐ ｒ ｂ ｅ２Ｄ ａ ｔＨａ ｔ ｆ ｌｙ ｔａ ｓｏ ｍ ． Ｔｈ ｒ ｅ ｒ ｎ ｆｒ ｉｄ，ｔ ｅ ｉ ｖ ｒｅ Ｈａ ｔｅ ｒ ｎ ｆｒ ｉ ａｃ ｌ ｔｄ，ａ ｄ ｔ ｅ ｈ ｏ ｍａ ｉａｉｎ ａ ｘｒ ｍｕｍ ｅ ｒ ｈ ａ ｅ ｃ ｎ— ｈ ｎ ｅ ｓ ｒｌ ｙ ｔａ ｓｏ ｍ ｓｃ ｌｕ ａｅ ｎ ｈ ｎ ｔ ｅ ｎ ｒ ｌｚ ｔｏ ｎｄ ｅ ｔｅ ｓ ａ ｃ ｒ ｏ