第6章 基于模板匹配的图像识别方法
第6章 基于模板匹配的图像识别方法
[ 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
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
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
基于模板匹配算法的识别系统
基于模板匹配算法的识别系统作者：张忠安来源：《数字技术与应用》2013年第06期摘要：传统的模板匹配算法求待匹配图像和模板之间的相似性映射关系均比较复杂，本文将对模板匹配算法进行改进，在模板匹配算法的基础上，将图片平均分成12块区域，再加上5条交线，一共17个特征值。
当进行样本训练的时候，用同样的算法计算图片中数字的17个特征值，并到计算机存储区中去匹配，直接利用象素灰度值的差异，找到特征值最接近的一个图片数字，便完成匹配识别的过程，得到匹配的结果。
关键词：模板匹配特征值细化二值化中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2013）06-0134-021 模板匹配算法的描述在机器识别事物的过程中，常需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物获取的两幅或多幅图像在空间上对准，或根据己知模式到另一幅图中寻找相应的模式，这就叫做匹配。
因为只有当同一场景的两幅图像在同一坐标系下时，才能进行相似性比较，所以模板匹配的过程实际上也就是把一幅图像变换到另一幅图像的坐标系过程。
图像的模板匹配就是先给定一幅图像，然后到另一幅图像中去查找这幅图像，如果找到了，则匹配成功。
这看起来好像很简单，因为我们一眼就能看出一幅图中是否包含另一幅图像，遗憾的是电脑并不具有人眼的强大的视觉的功能，因而需要电脑去判定一幅图片中是否包含另一幅图片是件不容易的事情。
对于机器视觉系统而言，实现匹配首先要对图像进行预处理。
先计算模板图片的特征值，并存储到计算机中。
然后计算待测试样板图片的特征值，与计算机中模板进行比较，运用匹配算法实现匹配。
整个过程如图1所示。
在基于图像处理的应用领域中，对于图像匹配的研究可以说一直都是数字图像处理技术和计算机视觉理解的重要研究内容。
图像匹配在机器视觉、工业自动模式识别、医学图像的定位等方面都有着重要意义。
2 图像匹配的数学描述3 算法的改进及图示根据以上对模板匹配的介绍，可以对字符图像进行识别。
模板匹配技术在图像识别中的应用
模板匹配技术在图像识别中的应用摘要：当前，图像识别的应用逐渐深入社会各行各业，对多样化的功能需求具有较强的适应能力，可以提供良好的信息收集与处理效果。
模板匹配技术属于一种处理的额外技术分支，其能够利用计算机装置进行自动化求解，实现快速识别目标图像的效果。
通过应用模板匹配技术，有利于图像识别的进一步应用，达到增强效率与处理质量的目标。
本文首先分析模板匹配技术的基础概念，随后深入研究主要应用途径，最后阐述存在的问题和解决方案，以供参考。
关键词：模板匹配；图像识别；应用策略引言：模板匹配基于计算机处理技术，其能够通过数据收集与识别流程进一步提高整体图像应用效果。
合理的模板匹配应用有利于计算机识别率的提升，能够快速解决图像识别的痛点问题，达到良好的处理质量。
通常情况下，匹配识别需要将多种差异化图像进行对比，并将已知内容带入到对应的模式中，达到原始识别的效果。
因此，通过利用模板匹配技术，可以进一步强化图像识别的基础效率，降低出现问题的可能性，实现良好的应用质量。
一、模板匹配技术的基础概念当前，图像识别属于工程分析的热门领域之一。
在其应用的过程中，需要处理大量的信息数据，并根据对应的库存展开对比操作，实现高效率、高质量的识别目标。
在这一流程中，模板匹配能够发挥良好的识别效果，并有利于后续的跟踪处理，可以进一步强化整体图像识别的质量，降低出现问题的概率。
图像匹配通过将差异化内容进行分析与处理，实现传感器多层次应用的目标。
同时，还需要将图像在坐标处理中进行定位，使其可以加入对应模式，有效应用基础算法进行处理。
在其应用过程中，可以采用绝对差值的方式，简化基础相似度处理流程，大幅加强应用效率[1]。
还刻意利用不变矩策略进行识别，进一步强化基础旋转适应性。
利用模板匹配技术，有利于提高图像识别的准确程度，并大幅加强抗干扰能力，具有可观的实用性程度。
模板匹配技术整体计算需求规模较为庞大，但应用优点显著，可以适应简单图形如背景区域、汽车品牌、飞机处理等多方面内容，也可以匹配复杂化图像的处理，如字符自动识别、指纹精细化比对、人脸分析等。
基于模板匹配的图像检索方法研究
采用 Ａ Ｓ Ｉ Ｆ Ｔ算法对两幅图像进行 匹配得到几何变形参数。
２ ． １ Ａ Ｓ Ｉ Ｉ ￣ 匹配 基 本 原 理
Ａ Ｓ Ｉ Ｆ Ｔ算 法的具体步骤如下 ： （ １ ） 选取采样 参数 ， 模拟不 同 经度与纬度 的图像 ； （ ２ ） 计算模拟 图像 的特征 ； （ ３ ） 结合所有 的模 拟 图像 的特征 ， 进行特征匹配。
的一幅示例 图像 ， 首先 由用户指 出其感兴趣 区域窗 口， 将示例图
像 同影像库 中的影像进行 Ａ Ｓ Ｉ Ｆ Ｔ匹配建立几何变换关系 。然后 对检索影像进行 几何 纠正后创 建感 兴趣 区域窗 口对应的匹配模
板， 逐 像 素 计 算 相 关 系数 ， 计算 平均相关 系数作为 匹配测度 ， 从 而 完 成 图像 的检 索 。 ２ 图像 的特 征 匹 配
度。
整应严格按照该 配风卡要求执行 。
（ ６ ） 采 用 试 验 后 确 定 的低 氮 配 风 方 式 ， 增 氧汽温降低 ． 减 氧 汽温升高 ， 所 以要 严 格 控 制 氧量 在 规 定 范 围 内。 （ ７ ） 从 调试 结 果 分 析 ， 燃烧 区域的二次风开大 ， Ｎ Ｏ ｘ排 放 量
１ 引 言
产生一些多余信息。 而且 当影像几何变形较大时 ， 影像上同一物 体 的纹理会发生明显的变化 。 提 出了一种基于几何 纠正的模板 匹配方法 。对于用户指定
随着多媒体和信息技术 的发展 ， 图像 的来源 已经越来越 广 泛 ，如何从海量的 图像数据库中快速准确地找出用户需要的图 像是 当前亟待解决 的问题 。 目前 的图像检索算法主要有基于文 本的图像检索 、 基于内容的图像 检索和基 于语 义的图像 检索等。 然而由于 图像可能存在着丰富的信息 ， 而词 汇本身存 在着局 限 、 易歧 义 、 更新慢等特点 ， 所 以很难应对 网络上 Ｅ ｔ 新月异 的各类 图 像。随着计算机视觉的快速发展 ， 基于 内容 的图像检索技术也 已 取得 了一定的进展且 已成为近年来 的研究热点 。Ｔ ａ ｍｕ ｒ ａ等人对 图像纹理进行 了细致的分析 Ｉ ３ ］ ， Ｈ ａ ｒ ａ ｌ ｉ ｃ ｋ等人则提 出了灰度共生 矩阵［ ４ １ ， 也有学者使用 Ｈｏ ｕ ｇ ｈ变换 提取 图像 的旋转不 变纹理特 征 等 。迄今为止 ， 已经有多种关 于纹理旋转不变性的分析方法 。 而在 多数情况下 ， 对于用 户指定 的示 例 图像 ， 感 兴趣 的往 往只是该图像 上的一块区域 ．对 图像 进行 全局纹理分析往往会
基于模板匹配的人脸识别技术分析
基于模板匹配的人脸识别技术分析近年来，人脸识别技术被广泛应用于各个领域，如社交网络、金融服务、安防监控等。
其中基于模板匹配的人脸识别技术是其中一种重要的识别方法。
一、模板匹配的基本原理基于模板匹配的人脸识别技术是利用人脸图像与存储的人脸模板进行对比，从而实现人脸识别的过程。
该技术的基本原理是将需要识别的人脸图像与已知的人脸模板进行比对，通过计算两幅图像中各像素点的差值来判断它们之间的相似度。
最终，识别结果是通过比对得到的相似度大小来确定身份。
基于模板匹配的人脸识别技术可以描述为以下几个步骤：1. 预处理：获取人脸图像后，需要进行预处理，包括归一化、灰度化、噪声消除等操作，以提高后续处理的准确性和效率。
2. 特征提取：对处理后的人脸图像进行特征提取，将有用的特征获得，比如面部轮廓、眼睛、鼻子和嘴巴等。
3. 模板匹配：将提取出的人脸特征与事先存储的模板进行匹配，并得到相似度值。
4. 判决是否识别成功：根据相似度值，系统会给出一个判断，判断是否是已知人脸中的人，如果是则表示识别成功，否则认为识别失败。
二、模板匹配的优缺点基于模板匹配的人脸识别技术也有其优点和缺点。
以下是其主要的优点和缺点分析：优点：1. 精确性高：基于模板匹配技术的识别精确度较高，特别是在小规模数据库中，其识别效果相对较好。
2. 可控性强：基于模板匹配技术需要在系统中先行添加已知人脸的特征模板，因此，其识别对象是可控的。
3. 稳定性好：基于模板匹配技术本质上是像素级别的比对，因此比较稳定，即便出现某些不可控因素，如环境光线、表情等，也摆放影响识别的准确度。
缺点：1. 建模过程较复杂：基于模板匹配技术需要先行存储人脸模板，建模过程要消耗大量人力和时间成本。
2. 精度受限：基于模板匹配技术的精准度受到识别模板以及人脸采集照片的质量影响，而且误差积累过程中会出现非常大的差异。
3. 实时性较差：基于模板匹配技术需要耗费较长的时间来匹配，因此实时性相对较差。
基于模板匹配的人脸识别方法
基于模板匹配的人脸识别方法
基于模板匹配的人脸识别方法是一种简单而有效的人脸识别方法，其主要思想是将要识别的人脸与事先学习好的特征模板进行匹配，从而判断输入的人脸是否匹配。
具体来说，基于模板匹配的人脸识别方法包括以下步骤：
1.数据预处理：包括图像处理（如灰度化、归一化、亮度均衡等）和数据集的准备（包括特征模板的获取和训练）。
2.特征提取：将输入的人脸图像转换为一组特征向量，以便于后续的匹配。
3.模板匹配：将输入的特征向量与预先学好的特征模板进行匹配，计算相似度得分，并进行比对。
4.判断和输出：根据得分进行判断，如果得分超过阈值，则认为输入的人脸与特征模板匹配成功，输出识别结果；否则，认为匹配失败，输出无法识别的结果。
基于模板匹配的人脸识别方法简单、易于实现，适合处理小规模数据集。
但是，其受到光照、表情、角度等因素的影响较大，对于大规模的数据集和复杂的场景，效果较差。
目前，在实际应用中，基于模板匹配的人脸识别方法常常与其他方法结合使用，以提高准确率和鲁棒性。
图形识别和操作方法
图形识别和操作方法
图形识别是计算机视觉中的一个重要研究方向，而图形操作则是在图像处理和计算机图形学中广泛应用的技术。
下面是图形识别和操作方法的介绍：
1. 基于特征匹配的图形识别方法：该方法是通过对待识别图像进行特征提取，然后与已知图像中的特征进行匹配，来识别待识别图像中的对象。
特征匹配的方法包括基于局部特征的SIFT、SURF等算法。
2. 基于神经网络的图形识别方法：该方法是通过将一些标准图像输入到神经网络，让网络自学习图像的特征，并将待识别图像放入网络中进行分类识别。
该方法需要大量的训练数据，但是在某些情况下可以取得很好的效果。
3. 基于模板匹配的图形识别方法：该方法是将已知图像制作成模板，在待识别图像中进行匹配。
该方法需要对待识别图像进行灰度化和二值化处理，并且对模板的旋转和大小变化比较敏感。
4. 基于形状匹配的图形识别方法：该方法是通过将待识别图像中的形状与已知的模板形状进行匹配来识别。
该方法适用于对于待识别图像较为规则，形状较为明显的情况。
5. 基于边缘检测的图形操作方法：该方法是通过对待操作的图像进行边缘检测，然后进行边缘抽取或边缘连接等操作。
该方法常用于图像增强和特征提取。
6. 基于形态学的图形操作方法：该方法是通过将待操作的图像和形态结构元素进行运算，来达到图形形态的改变，如腐蚀、膨胀等操作。
该方法常用于分割、去噪、文本区域定位等应用。
7. 基于变形操作的图形操作方法：该方法是通过对待操作的图像进行扭曲、变形等操作，来实现图像变换。
该方法在图像匹配、3D视觉等领域有广泛应用。
基于二值化处理与模板匹配的图像识别
科 技 天 地72INTELLIGENCE基于二值化处理与模板匹配的图像识别大连大学 姜志高摘 要：随着计算机智能技术的发展，自动化的图像识别程度已经成为现代计算机系统中的重要技术，二值化处理是图像识别的重要的预处理环节，通过对二值图像的信号计算，实现对象与图像背景的分割（segmentation），以及各个对象之间的图像分割。
分割的精度直接影响图像特征识别的准确率。
对模板匹配的图像识别由于图像的材质，光照环境与图像的清晰度等情况的出现，提出了一种基于模板匹配的图像轮廓提取和识别算法,以图像标定（labeling）和模板（template）为核心运算，得到Glassfire 算法对二值化的图像标定构成结果，并对区域边界进行有效的追踪。
以区域、轮廓跟踪为辅助计算处理，构建了从输入信号源图像到最终分离结果图像之间一系列的计算过程，将图像中所表现的物体按照算法定义的分割算法和模板匹配关系进行分类计算，模板匹配主要有平均绝对差MAD （Mean Absolute Difference），均方误差MSE（Mean Square Error）和归一化灰度关联NCG （Normalized Gray-Level Corrlation）三种方法，使计算机得到快速和正确的识别结果。
关键词：二值化处理 模板匹配 图像分割 图像标定 平均绝对差 均方误差 归一化灰度关联一、图像识别的研究背景与现状1、二值化物体识别问题研究背景计算机视觉技术在科学界得到了广泛的重视、开发和利用。
面对多种复杂场景，如何进行有效的自动分类识别图像是当前图像处理和模式识别领域中的重要研究课题。
2、边缘提取与图像识别算法研究现状人们已经意识到利用机器进行模式识别的可能性，边缘提取是图像分析中重要的研究方法，它们适用于物体形态的结构特征提取、拓扑控制、形状表示等方面。
边缘提取是计算机图像处理中的基本技术。
它的实质是图像二值化处理方法，骨架是物体形状的简化表示形式，它能够最大限度保留原始物体的重要形态和拓扑特征，广泛应用于模式识别、物体分类以及形态处理中。
基于模板匹配的人脸检测
基于模板匹配的人脸检测模板匹配技术在人脸检测中的应用原理是，将人脸图像预先处理成标准模板，然后在待检测图像中搜索与标准模板最相似的部分。
该技术的优点是算法简单、运算速度快，对于光照、角度、表情等因素的干扰有一定的鲁棒性。
然而，模板匹配技术也存在一些不足之处，如对噪声和遮挡较为敏感，且难以自适应多种人脸特征。
本文提出了一种基于模板匹配的人脸检测方法。
我们选取大量人脸图像并对其进行预处理，建立一个人脸模板库。
然后，对于待检测的图像，我们采用相关系数算法计算其与模板库中每个模板的相似度。
我们选取相似度最高的模板作为检测结果。
实验结果表明，该方法在人脸检测方面具有较高的准确率和速度。
在光照、角度、表情等复杂条件下，该方法仍能保持较好的检测效果。
然而，该方法对于噪声和遮挡较为敏感，且难以自适应多种人脸特征。
在今后的研究中，我们计划采用深度学习技术对模板库进行更新和优化，以提高方法的自适应能力和鲁棒性。
基于模板匹配的人脸检测方法具有简单、快速、鲁棒性等优点，但也有对噪声和遮挡较敏感等不足。
在未来的研究中，我们建议深入探讨深度学习技术与模板匹配技术的结合，以实现更加准确、自适应性强的人脸检测方法。
同时，我们也希望未来的研究能够如何提高算法的速度和可扩展性，以适应大规模实时检测的需求。
展望未来，随着技术的不断发展，人脸检测技术将会有更多的应用场景和挑战。
例如，如何实现跨种族、跨年龄、跨表情的人脸识别，以及如何解决多目标、复杂背景下的多人脸检测等问题。
隐私和安全问题也是人脸检测技术发展中需要的重要方面。
因此，在未来的研究中，我们建议不仅要算法的准确性和效率，也要重视如何保护个人隐私和数据安全。
基于模板匹配的人脸检测方法是计算机视觉领域的一项重要技术，具有广泛的应用前景和挑战。
通过不断的研究和创新，我们有信心能够克服这些挑战，为人脸检测技术的发展做出更大的贡献。
在基于多模板匹配的单人脸检测方法中，特征提取和匹配算法是两个关键环节。
基于AI技术的图像识别与处理应用指南
基于技术的图像识别与处理应用指南第1章图像识别与处理基础 (4)1.1 图像识别概述 (4)1.1.1 图像识别的基本流程 (4)1.1.2 图像识别的主要方法 (4)1.2 图像处理基本概念 (4)1.2.1 图像处理的基本操作 (4)1.2.2 常用图像处理算法 (5)1.3 技术在图像识别与处理中的应用 (5)1.3.1 深度学习模型在图像识别中的应用 (5)1.3.2 技术在图像处理中的应用 (5)第2章图像预处理技术 (5)2.1 图像增强 (5)2.1.1 直方图均衡化 (6)2.1.2 伽马校正 (6)2.1.3 自适应直方图均衡化 (6)2.2 图像滤波 (6)2.2.1 均值滤波 (6)2.2.2 中值滤波 (6)2.2.3 高斯滤波 (6)2.2.4 双边滤波 (6)2.3 边缘检测与轮廓提取 (6)2.3.1 边缘检测 (7)2.3.2 轮廓提取 (7)2.3.3 Canny边缘检测 (7)第3章特征提取与匹配 (7)3.1 传统特征提取算法 (7)3.1.1 SIFT算法 (7)3.1.2 SURF算法 (7)3.1.3 ORB算法 (7)3.2 深度学习特征提取方法 (7)3.2.1 卷积神经网络（CNN） (7)3.2.2 迁移学习 (8)3.2.3 对抗网络（GAN） (8)3.3 特征匹配技术 (8)3.3.1 暴力匹配 (8)3.3.2 最近邻匹配 (8)3.3.3FLANN匹配器 (8)3.3.4 RANSAC匹配 (8)第4章深度学习基础 (8)4.1 卷积神经网络（CNN） (8)4.1.1 卷积神经网络简介 (8)4.1.3 池化层 (9)4.1.4 全连接层 (9)4.1.5 常见卷积神经网络结构 (9)4.2 深度信念网络（DBN） (9)4.2.1 深度信念网络简介 (9)4.2.2 稀疏自编码器 (9)4.2.3 限制玻尔兹曼机 (9)4.2.4 DBN的训练方法 (9)4.3 循环神经网络（RNN） (9)4.3.1 循环神经网络简介 (9)4.3.2 RNN的基本结构 (10)4.3.3 长短时记忆网络（LSTM） (10)4.3.4 门控循环单元（GRU） (10)第5章目标检测技术 (10)5.1 传统目标检测方法 (10)5.1.1 基于特征匹配的目标检测 (10)5.1.2 基于模板匹配的目标检测 (10)5.1.3 基于机器学习的目标检测 (10)5.2 基于深度学习的目标检测算法 (10)5.2.1 RCNN系列算法 (10)5.2.2 单次多框检测器（SSD） (11)5.2.3 YOLO系列算法 (11)5.2.4 RetinaNet (11)5.3 目标跟踪技术 (11)5.3.1 基于相关滤波的目标跟踪 (11)5.3.2 基于深度学习的目标跟踪 (11)5.3.3 基于优化方法的目标跟踪 (11)第6章语义分割与实例分割 (11)6.1 语义分割概述 (11)6.2 基于深度学习的语义分割算法 (12)6.2.1 卷积神经网络（CNN）基础 (12)6.2.2 全卷积神经网络（FCN） (12)6.2.3 编码器解码器结构 (12)6.2.4 区域分割网络（RCNN系列） (12)6.3 实例分割技术 (12)6.3.1 实例分割概述 (12)6.3.2 Mask RCNN (12)6.3.3 PointRend (12)6.3.4 SOLO系列 (12)第7章图像识别应用案例 (13)7.1 自然场景文本识别 (13)7.1.1 背景介绍 (13)7.1.2 技术要点 (13)7.2 人脸识别技术 (13)7.2.1 背景介绍 (13)7.2.2 技术要点 (13)7.2.3 应用案例 (14)7.3 交通场景识别 (14)7.3.1 背景介绍 (14)7.3.2 技术要点 (14)7.3.3 应用案例 (14)第8章计算机视觉与技术的融合 (14)8.1 增强现实与虚拟现实技术 (14)8.1.1 增强现实技术 (14)8.1.2 虚拟现实技术 (15)8.2 视觉导航 (15)8.2.1 视觉感知 (15)8.2.2 路径规划 (15)8.3 自动驾驶技术 (16)8.3.1 环境感知 (16)8.3.2 决策与控制 (16)第9章图像处理与技术的行业应用 (16)9.1 医疗影像诊断 (16)9.1.1 概述 (16)9.1.2 应用案例 (16)9.2 工业检测与自动化 (17)9.2.1 概述 (17)9.2.2 应用案例 (17)9.3 农业领域应用 (17)9.3.1 概述 (17)9.3.2 应用案例 (17)第10章伦理与法律问题 (17)10.1 数据隐私与保护 (17)10.1.1 数据收集与存储 (17)10.1.2 数据使用与共享 (18)10.1.3 数据安全与合规 (18)10.2 人工智能伦理问题 (18)10.2.1 公平性与歧视 (18)10.2.2 人类就业与权益 (18)10.2.3 人工智能道德责任 (18)10.3 法律法规与政策建议 (19)10.3.1 完善法律法规体系 (19)10.3.2 加强监管与执法 (19)10.3.3 政策支持与引导 (19)第1章图像识别与处理基础1.1 图像识别概述图像识别是指利用计算机技术对图像进行自动分类和识别的过程。
- 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)。
M-1
模板T
M
第 5 章 基 于 模 板 匹 配 的 图 像 识 别
5.1Βιβλιοθήκη 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
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：
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
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。
[ 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
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 ,
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
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
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
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
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
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。
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 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。