1、典型算法原理 模板匹配 01 模板 w开始位置在图像 f的左上角 当 w的中心位于 f的边界上时，围绕 f的边界需要进行填充。填充通常被限制为模板宽度的一半。 02 模板从左上角向右下角开始移动 每次移动一个像素的位置，过程中可以得到模板和图像各位置间的相似度。 03 生成结果图像 相似度量值保存 到 结果 图像 中 . 在 结果图像中 的每个位置 都 包含匹配度 量值。 04 找到匹配位置 根据所用的匹配算法不同，对结果图像进行处理分析，找到匹配位置。 2 模板匹配 -简要流程 基于灰度值的模板匹配算法 。 基于边缘的模板匹配算法 基于形状的模板匹配算法 3 模板匹配算法分类 基于灰度值的模
2、板匹配 Gray-Value-Based Template Matching 5 基于灰度值的模板匹配 基本概念 相似度量 相似度量 S是一个 函数 ，函数中的 参数 包括： 模板中各点的灰度值 t(r,c)； 模板感兴趣区域移动到图像当前位置时感兴趣区域 中的灰度值 f(r+u,c+v)； 然后基于这些灰度值计算一个 标量值 作为 相似度量 。 01 S A D :计算模板与图像之间差值的绝对值总和 02 S S D :计算模板和图像之间差值的平方和 问题 在光照保持不变的情况下， SAD和 SSD相似度量的结果非常好。 当光照发生变化，甚至在图像中存在相同物体的情况下，他们都将返回非常大的
3、结果 ! 6 基于灰度值的模板匹配 相似度量 方法 SAD,SSD（ Sum of absolute/squared difference） ？ 03 N CC：归一化互相关系数 7 基于灰度值的模板匹配 相似度量 方法 NCC(Normalized cross-correlation) ( , )( , ) ( , ) ( , )u v Tc r c t u v f r u c v 结果 8 基于灰度值的 模板匹配算法 NCC 基于灰度值的模板匹配方法原理 简单 。 在良好的光照条件下可以 得到很 满意的 匹配 结果。 Advantages 9 基于灰度值的模板匹配 总结 优点 Disadv
4、antages 缺点 受光照影响大，抗干扰性不 强。 图像存在遮挡、部分隐藏、信息缺失、混乱时 不能正确找到目标物体 。 01 02 基于边缘的模板匹配算法 Edge matching 11 基于 边缘的 模板匹配 算法 01 02 03 使用原始边缘点或者增加每个点的一些特性。 将边缘分割为多个几何基元，然后匹配这些几何基元。 得到边缘上的突变点，然后匹配这些突变点。 三 种策略 12 基于边缘点的模板匹配 算法 均方距离 平移情况下的均方边缘距离可表示为 ： 其中， T表示模板边缘区域， d(r, c) 表示边缘提取后待搜索图像背景的 距离变换 。 缺点：图像边缘有遮挡时，返回的距离将会非
5、常大。 13 基于边缘点的模板匹配 算法 距离变换 街区距离 -4连通 欧氏距离 棋盘距离 8连通 14 基于边缘点的模板匹配 算法 距离变换 0 0 （ 三）在距离图上用上述两个掩码分别从左上到右下和右下到左上进行 逐行扫描 ，将掩码覆盖区域中的距离值与 掩码中 相应 位置上的距离值求和，然后从掩码的所有计算结果中选择最小的值作为当前像素的距离值。 1 1 0 1 1 2 1 2 1 0 1 2 1 2 15 基于边缘点的模板匹配 算法 距离变换 原图 街区距离 棋盘距离 欧氏距离 16 基于边缘点的模板匹配 算法 Hausdorff距离 h (T, E) 表示了模板边缘点与最近图像边缘点之
6、间的最大距离 ； h (E, T) 的定义 与 h (T, E) 互为对称，它表示了图像边缘点与最近模板边缘点之间的最大 距离。 Hausdorff距离是由这两个距离的最大值 决定。 匹配过程 将模板沿着图像逐像素扫描，模板每移动一次就会得到一个当前的 Hausdorff距离 。当模板中的边缘点与图像中的边缘点非常接近，且图像中的边缘点与模板中的 边缘 点也非常接近时，会得到一个最小的 Hausdorff距离，此时为最优 匹配。 改进 当图像中出现 遮挡 情况下算法效果不佳的主要原因是由于在计算 h (T, E) 时采用了最大距离。如果 用第 k 大距离代替最大距离，Hausdorff距离将对
7、 100 / % k n 的遮挡可靠，其中 n表示 模板 边缘区域中像素点的数量 。 17 基于边缘点的模板匹配算法 Hausdorff距离 尽管改进的 Hausdorff距离能够解决遮挡和混乱带来的问题，但是当遮挡部分 较大 时，该方法会找到较多的错误实例。此外由于 Hausdorff距离的计算量较大，这 使得 算法的实时性比较差，对于那些实时性要求较高的在线系统该方法往往不能满足。 18 基于边缘点的模板匹配 算法 广义霍夫变换 R-Table 19 基于边缘点的模板匹配算法 广义霍夫变换 上面所说的所有基于边缘的算法都存在一个缺陷 ， 就是它们都需要在图像中 提取出边缘 。 这 就导致目
8、标识别算法只能够适用于 非常小范围的光照变化 。 如果降低对比度 ， 提取到的边缘点就越来越少 ， 更多的遮蔽也会造成相似的影响 。 缺陷 总结 20 基于边缘点的模板匹配 算法 基于形状的模板匹配 Shape-based 22 基于形状的模板匹配算法 相似度量 S： ,2 2 2 211 ,11| | |i i i iii iiTnniir r c c r r c ci q pii i q p i i r r c cr r c ct v u wdesn d e n t u v w 归一化后的相似度量 S： ,1111i i i innTi q p i r r c c i r r c ciis
9、 d e t v u wnn 当图像中存在遮挡的情况，遮挡部分像素点的梯度向量的模非常小，它与模板 相应 位置梯度向量的内积也是一个非常小的值，几乎不影响总和；当图像中存在混乱 的情况 ，混乱部分对应的模板相应位置梯度向量的模非常小，它们的内积仍然不影响 总和 。 然而 ,公式提供 的相似度量仍不能真正的满足光照变化的情况。这是 因为 梯度向量的模取决于图像的亮度：当图像较亮时，梯度向量的模较大；当图像较 暗时 ，梯度向量的模较小。 结果 由于梯度向量进行了归一化，该相似度量将返回 一个 小于等于 1的值 。 当 s=1时 ，说明模板与图像之间一一对应 ； 当 图像中目标 物体的 50%被遮挡
10、时，该相似度量将不会超过 0.5。 因此 ，它可以让用户选择一个直观 的阈值 来决定具体的匹配对象。 23 基于形状的 模板匹配 算法 对基于形状的模板匹配算法测试后显示基于形状的模板匹配算法在存在严重遮挡 、 混乱或非线性光照变化的情况下实现了非常高的识别率 。 优点 总结 24 基于形状的模板匹配算法 图像金字塔 pyramid 26 图像金字塔 在构建图像金字塔的过程中，速度是非常重要的，通常优先采用2*2 的均值滤波器平滑图像，也就是说求 2*2区域中的所有像素的平均灰度值 。 当在金字塔的最高层搜索到相应的模板实例时，将匹配点的坐标乘以 2，映射到金字塔的下一层 。 此外 ,由于金字塔的最高层目标物体的灰度值可能发生实质性的变化，这要求在匹配金字塔的较高层时应使用较为宽松的匹配阈值。 27 模板匹配 算法 The End
