專利名稱：一種基于場景全局特征的模板匹配方法
技術領域：
本發(fā)明屬于圖像處理方法，具體涉及一種基于場景全局特征的模板匹配方法，運用于根據(jù)目標模板檢測圖像中同類目標。

背景技術：
模板匹配是圖像處理中經(jīng)典的方法，其中模板就是一幅已知的小圖像，在目標檢測任務中模板是一個目標的實例；模板匹配就是在一幅大圖像中搜索目標，確定其坐標位置，在目標檢測任務中就是要找到所有的該類目標的實例，這個大圖像稱為場景圖像。比如，我們在執(zhí)行汽車檢測的任務，模板就是一幅汽車的圖像，模板匹配就是根據(jù)這個模板的信息在場景圖像中找到所有的汽車，并確定其位置。
模板匹配的搜索過程就是將模板疊放在大圖像上平移，模板覆蓋被搜索圖的那個區(qū)域叫做子圖。傳統(tǒng)的模板匹配方法是基于灰度值的，即通過度量模板與子圖之間的灰度相關性來確定目標的位置，這種方法有很大的局限性，比如光照變化等情況對于圖像灰度值的影響是很大的。因此有很多基于特征的模板匹配方法，利用模板與子圖的特征之間的相關性來確定目標位置，因為特征的魯棒性，在一定程度上提高了匹配的性能?；谔卣鞯哪０迤ヅ浞椒ㄒ呀?jīng)在目標檢測任務中得到廣泛的應用。
模板匹配的方法非常簡單，同時又非常的有效，但是模板匹配在目標檢測時還有很多地方可以改進。模板匹配的性能很大程度上依賴于特征的性能，特征的分類性能越好模板匹配的效果也越好。以上所提及的方法都是基于局部特征的，而局部特征在目標檢測時也有一定的局限性，比如目標被遮擋、目標姿態(tài)變化、同類目標的不同外觀，目標視點變化和成像條件很差等情況。


發(fā)明內容
本發(fā)明的目的是提出一種基于全局特征的模板匹配方法，把模板與子圖放到場景上下文中來度量模板與子圖的相關性，提高目標檢測的準確性。
一種基于全局特征的模板匹配方法，具體步驟為 (1)計算場景圖像的特征H(k)，1≤k≤K0，K0為特征維度； (2)對場景圖像逐像素點遍歷提取與模板圖像相同區(qū)域范圍的搜索子圖，計算每個搜索子圖與模板圖像的相關性； 相關性計算方法具體為在遍歷像素點(i，j)，將其對應搜索子圖S(i，j)的內容替換為模板圖像中的內容，并計算替換后對應場景圖像的全局特征Gi，j(k)，計算搜索子圖S(i，j)與模板圖像的相關性
(3)在場景圖像中，依據(jù)搜索子圖與模板圖像的相關性越大，該搜索子圖對應的遍歷像素點成為目標點可能性越大的準則選取候選目標像素點； (4)對于每一個候選目標像素點，在場景圖像中以其為中心選取局部感興趣區(qū)，若局部感興趣區(qū)內該候選目標像素點對應的相關性大于該區(qū)內其它像素點對應的相關性，則確認該候選目標點為最終目標點。
本發(fā)明采用的搜索過程中，利用全局特征來度量模板和子圖的相關性，其中全局特征是通過把模板和子圖的相關性放到場景后計算整個場景的特征得到的，基于全局特征的模板匹配方法比傳統(tǒng)的使用局部特征(模板和子圖范圍內的特征)的模板匹配方法可以更準確的檢測到目標，本發(fā)明中使用的全局特征是整個場景的特征，帶有一定的語義信息，使得目標檢測的準確性提高；本發(fā)明采用的確定位置的過程充分利用了周圍的相關性的信息，得到了更精確的目標位置信息。



圖1是本發(fā)明流程圖； 圖2是模板圖像； 圖3是場景圖像； 圖4搜索過程中，位置為(20，30)時的示意圖； 圖5是位置為(20，30)時替換后的場景圖像； 圖6是將相關性結果顯示為位圖； 圖7是對相關性結果閾值分割后結果； 圖8是檢測結果圖像； 圖9是梯度方向角量化示意圖； 圖10是圖像分為兩層的示意圖。

具體實施例方式 本發(fā)明步驟流程如圖1所示，現(xiàn)舉例說明 給出實際的模板圖像T(m，n)和場景圖像F(x，y)，分別如圖2和圖3所示，其中1≤m≤M，1≤n≤N，1≤x≤W，1≤y≤H，模板圖像的寬度M＝138和高度N＝69，場景圖像的寬度W＝256和高度H＝256。
(1)計算場景圖像的特征 計算整個場景的特征，一般采用統(tǒng)計低級特征的方法，這里的的低級特征包括灰度值，邊緣，梯度幅值，梯度方向，濾波器(Gabor濾波器，DoG濾波器等)等。本發(fā)明中使用梯度方向的統(tǒng)計，其統(tǒng)計結果表示為直方圖H(k)，其中1≤k≤K0，特征的維度K0＝80； (2)對場景圖像逐像素點遍歷提取搜索子圖，計算各搜索子圖與模板圖像的相關性。
在每個搜索像素點位置(i，j)，計算模板圖像與搜索子圖Si，j(m，n)的相關性D(i，j)，其中(i，j)為搜索子圖左上角像素點在場景圖像F(x，y)上的坐標，搜索范圍為1≤i≤W-M＝118，1≤j≤H-N＝187，搜索子圖大小與模板大小相同，即為138×69，圖4給出了在256×256的場景中搜索的示意圖，此時搜索的像素點位置(i，j)＝(20，30)。
(2.1)把子圖Si，j(m，n)的內容替換為模板T(m，n)，稱為替換后場景圖像，記為Ci，j(x，y)，i＝20，j＝30時的替換后場景圖像如圖5所示； (2.2)計算替換后場景圖像Ci，j(x，y)的全局特征，這里我們同樣計算場景圖像的梯度方向直方圖Gi，j(k)； (2.3)通過計算替換前場景圖像和替換后場景圖像的全局特征的相關性來度量子圖Si，j(m，n)與模板T(m，n)的相關性，計算公式為
搜索完成后得到的D(i，j)是一個118×187的矩陣。將D(i，j)歸一化到0～255，顯示為位圖，如圖6所示。
(3)選取候選目標點。
依據(jù)相關性結果對場景圖像的像素點進行閾值分割，以突出目標存在可能性大的像素點，將其作為候選目標點。實例中具體操作方法為若D(i，j)大于等于相關性閾值r，則場景圖像中像素(i，j)的值置為1，反之(i，j)的值置為零。相關性閾值r的選擇依據(jù)為r＝0.95×(Vmax-Vmin)+Vmin，其中Vmax和Vmin分別為D(i，j)的最大值和最小值。實例中Vmax＝0.9579和Vmin＝0.7962，所以r＝0.95×(Vmax-Vmin)+Vmin＝0.9498。將D(i，j)大于等于0.9498的位置對應場景圖像中的位置的像素值置為1，小于0.9498的位置的像素值置為零，分割結果顯示如圖7所示，右下方的缺口白色區(qū)域內的像素點即為候選目標點。
(4)確認最終目標點。
為了精確的確定目標的位置，確認最終的目標點需要考慮到候選目標鄰域的信息，該鄰域稱為感興趣區(qū)。感興趣區(qū)的寬度和高度的范圍分別為[M/2，M]和[N/2，N]，本實例中使用的感興趣區(qū)的寬度和高度分別為M/2＝69和N/2＝34。對于每一個候選目標點逐像素搜索，以其為中心選取局部感興趣區(qū)，如果該候選目標點對應的相關性是該感興趣區(qū)內的最大值點，說明這個候選目標點有更大的可能成為最終目標點。
為了排除孤立的噪聲點的干擾，在極大值判斷的基礎上進一步計算該極值點的鄰域支持度，即該局部感興趣內候選目標點的個數(shù)。實例中，在上述的69×34的窗口中只有一個最大值點，位置為(118，153)，其鄰域支持度為148；對于該實例中得到的唯一的最大值點，其鄰域支持度大于支持度閾值q＝(M/2)×(N/2)/100＝23，因此該位置即是最后的目標位置，圖8標出了最后的檢測結果。
本發(fā)明所依據(jù)的全局特征梯度方向直方圖的計算原理如下圖像采用灰度值F(x，y)表征，(x，y)表示圖像內像素點坐標 1)計算圖像F(x，y)各點的梯度 當(x，y)是圖像F(x，y)最右邊一列或者最下邊一行時，F(xiàn)(x，y)在該位 置的梯度μ(x，y)＝0； 否則，圖像F(x，y)在(x，y)位置的梯度定義為下列向量 其中Vx＝F(x+1，y)-F(x，y)，Vy＝F(x，y+1)-F(x，y)。
2)計算F(x，y)各點的梯度方向角 用α(x，y)表示向量μ(x，y)在(x，y)處的梯度方向角 3)量化梯度方向角 我們把梯度方向角量化到0～15，按照如圖9所示，落在某個區(qū)間內就用該區(qū)間的標號來表示。(x，y)處的方向角量化值用公式表示為

其中

表示取不大于它的最大整數(shù)。
(4)計算梯度方向直方圖 對于圖像中除去最右一列和最下一行所有位置的梯度方向量化值統(tǒng)計每個值出現(xiàn)的個數(shù)，即得到一個16維向量。
本發(fā)明采用分層描述的特征，將圖像F(x，y)分為兩層，如圖10所示，圖10(a)表示第一層，是整個圖像，表示為FL1，圖10(b)表示第二層，平均分為四部分，分別為FL21，F(xiàn)L22，F(xiàn)L23和FL23。采用上述的梯度直方圖的計算方法，對兩層總共五個部分計算各自的梯度直方圖，然后依次組合為一個向量，即為該圖像的全局特征H(k)，1≤k≤K0，K0＝16×5＝80表示特征的維度。
權利要求
1.一種基于全局特征的模板匹配方法，具體步驟為
(1)計算場景圖像的特征H(k)，1≤k≤K0，K0為特征維度；
(2)對場景圖像逐像素點遍歷提取與模板圖像相同區(qū)域范圍的搜索子圖，計算每個搜索子圖與模板圖像的相關性；
相關性計算方法具體為在遍歷像素點(i，j)，將其對應搜索子圖S(i，j)的內容替換為模板圖像中的內容，并計算替換后對應場景圖像的全局特征Gi，j(k)，計算搜索子圖S(i，j)與模板圖像的相關性
(3)在場景圖像中，依據(jù)搜索子圖與模板圖像的相關性越大，該搜索子圖對應的遍歷像素點成為目標點可能性越大的準則選取候選目標像素點；
(4)對于每一個候選目標像素點，在場景圖像中以其為中心選取局部感興趣區(qū)，若局部感興趣區(qū)內該候選目標像素點對應的相關性大于該區(qū)內其它像素點對應的相關性，則確認該候選目標點為最終目標點。
2.根據(jù)權利要求1所述的基于全局特征的模板匹配方法，其特征在于，所述步驟(3)具體為若搜索子圖與模板圖像的相關性D(i，j)大于等于相關性閾值r，則像素點(i，j)為候選目標點，相關性閾值r＝0.95×(Vmax-Vmin)+Vmin，Vmax和Vmin分別為各搜索子圖與模板圖像的相關性中的最大值和最小值。
3.根據(jù)權利要求1或2所述的基于全局特征的模板匹配方法，其特征在于，還包括步驟(5)計算滿足步驟(4)的候選目標點對應的感興趣區(qū)內包含的候選目標點的個數(shù)，若其大于支持度閾值，確認該候選目標點為最終目標點，其中支持度閾值q＝(M/2)×(N/2)/100，M和N分別為模板圖像的寬度和高度。
4.根據(jù)權利要求1或2所述的基于全局特征的模板匹配方法，其特征在于，所述局部感興趣區(qū)的寬度和高度范圍分別為[M/2，M]和[N/2，N]，M和N分別為模板圖像的寬度和高度。
全文摘要
本發(fā)明公開了一種基于場景全局特征的模板匹配方法，用于根據(jù)目標模板檢測圖像中同類目標。該方法對場景圖像逐像素點遍歷提取與模板圖像相同區(qū)域范圍的搜索子圖，計算每個搜索子圖與模板圖像的相關性，依據(jù)搜索子圖與模板圖像的相關性越大，該搜索子圖對應的遍歷像素點成為目標點可能性越大的準則選取候選目標像素點，在候選目標像素點中確定最終目標點。本發(fā)明關鍵之處在于利用全局特征來度量搜索子圖與模板圖像的相關性，全局特征是通過把模板和子圖的相關性放到場景后計算整個場景的特征得到的，全局特征是整個場景的特征，帶有一定的語義信息，使得目標檢測的準確性提高。
文檔編號G06K9/64GK101770583SQ20101002899
公開日2010年7月7日 申請日期2010年1月15日 優(yōu)先權日2010年1月15日
發(fā)明者高常鑫, 桑農, 唐奇伶, 孫彬, 高峻, 笪邦友, 黃銳, 蔣良衛(wèi) 申請人:華中科技大學