基于不变量序列的点模式匹配算法研究

论文摘要

利用计算机视觉实现目标自动识别与跟踪是国防技术现代化、工农业生产过程信息化的重要环节之一。自动对目标进行准确、有效地识别和跟踪已经成为一项重要的热门研究领域。自动目标识别(Automatic Target Recognition, ATR)技术和稳定的跟踪方法是取得现代战场控制权的关键因素之一。在国民经济方面,如互联网上基于内容的图像检索,人体身份确定的指纹识别、人脸识别,虹膜识别,车牌识别,安监部门的重要场所过往人员行为自动分析,机器人对工具、元件的智能识别,工业检测等诸多领域都有重要应用。当被识别目标背景单纯、轮廓可完整提取时,识别这些目标可以采用基于轮廓特征点的二维目标识别算法,而图像轮廓特征点间的模式匹配是实现目标识别的基本方法之一。点模式匹配就是找到存在某种几何变换关系的两个图像模式特征点之间的最优匹配,通过图像特征点的匹配可以实现目标识别和姿态确定。实际应用中,由于被观测目标图像可以从不同的距离、不同的角度和方位进行拍摄。相对于模板图像,目标图像可能出现角度旋转、位置平移、尺度缩放(RTS)等相似变换,也可能出现仿射投影等变换,这使得点模式匹配变得更加困难。现有点模式匹配算法普遍存在匹配时间长或仅对相似变换图像匹配有效,却不适用于仿射投影点模式匹配。因此,本论文结合五点不变量、傅里叶变换、灰色关联分析和粒子群算法等理论知识,对点模式匹配进行研究,提出改进的基于不变量序列的点模式匹配算法；并从理论分析和实验测试两个方面验证所提出算法的可行性和有效性。本文内容主要分为以下部分：(1)图像预处理图像预处理是目标识别前十分重要的一步,它的好坏将直接影响到目标识别正确率的高低。本文图像预处理阶段主要完成图像分割、轮廓提取、轮廓归一化工作。(2)不变量序列计算轮廓是目标识别中非常有用的图像特征。描述轮廓的方法很多,如链码描述子、傅里叶描述子、曲率描述子等。这些描述子在相似变换下,能够保持平移、旋转、尺度不变,但在仿射投影变换情况下则不再保持不变性。五点不变量描述子也是一种描述轮廓的方法。它由一系列的五点不变量值组成,在相似变换和仿射投影变换下都能保持良好的不变性,对噪声不敏感。本文研究采用五点不变量序列作为图像轮廓的描述子。(3)点模式匹配算法研究对模板图像与目标图像提取轮廓并归一化后,计算轮廓的五点不变量序列并对其进行傅里叶变换；保存模板轮廓的不变量序列、傅里叶变换频谱特征,建立模板数据库；采用欧氏距离进行模板与目标图像的幅值相似度计算,选出候选模板；利用灰色关联分析(Gray Relational Analysis, GRA)方法查找候选模板轮廓与目标图像轮廓间的对应起始点,然后运用粒子群算法(Particle Swarm Optimization, PSO)查找到部分准确对应点,计算出几何变换参数,找出两点模式间的所有对应点,实现目标准确识别。(4)实验测试与结果分析本文对31个合成目标及19个实物目标进行拍摄,分别获取基于相似变换和仿射投影变换的目标图像,进行识别测试。在相似变换情况下,每一个模板对应10种不同图像,而在仿射投影变换下,每个模板采集了10幅从不同视角拍摄的图像。本文研究还与其它基于轮廓的识别算法进行比较,并对实验结果进行总结分析。理论分析与实验测试表明：(1)五点不变量描述子不仅对相似变换下的目标识别效果显著,且在仿射投影变换下较其它描述子优越性更明显。(2)将傅里叶变换用于五点不变量特征序列的粗匹配,可以快速的选出候选模板,能够节省特征匹配时间。(3)灰色关联分析对数据要求不严格,计算方法简单,是分析序列间关联性的有用工具,将其用于点模式匹配,可以较准确地找到两图像轮廓间的对应起始点。(4)粒子群算法的优化特性,使得投影变形情况下的对应点的查找更准确,更快速,从而提高了目标的正确识别率。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题来源及目的
• 1.2 目标识别概述
• 1.3 点模式匹配研究现状
• 1.4 本文内容安排
• 第2章 图像预处理
• 2.1 图像信息获取
• 2.1.1 图像的采样和量化
• 2.1.2 数字图像的数据表示
• 2.2 图像分割
• 2.3 轮廓提取
• 2.4 轮廓归一化
• 第3章 五点不变量特征
• 3.1 投影变换和投影不变量
• 3.2 五点不变量描述子
• 第4章 基础知识介绍
• 4.1 灰色关联分析
• 4.2 傅里叶变换
• 4.3 粒子群算法
• 第5章 基于不变量序列的点模式匹配算法
• 5.1 建立模板特征数据库
• 5.2 选择候选模板
• 5.3 起始对应点确定
• 5.3.1 五点不变量序列扩展
• 5.3.2 GRA计算过程
• 5.4 应用PSO查找对应点
• 5.4.1 PSO查找对应点
• 5.5 目标识别
• 第6章 实验测试与结果分析
• 6.1 实验图片
• 6.2 点模式匹配结果与分析
• 6.3 目标识别结果与分析
• 6.4 本章小结
• 第7章 全文总结与展望
• 7.1.本文总结
• 7.2.进一步工作
• 参考文献
• 附录1:实验仿真程序图
• 攻读硕士学位期间的科研及获奖情况
• 致谢