基于辅助纹理的模板匹配检测技术

贾君崽等：基于辅助纹理的模板匹配检测技术　基于辅助纹理的模板匹配检测技术　贾君慧　张　旭　张　刚　（上海大学机电工程与自动化学院，上海２０００７２）　摘要：在图像匹配领域中，对于目标与背景灰度相近，特征相似的情况，传统的图像匹配方法很难达到理想效果。本文给出一种借助辅助纹理增加灰度　信息区分度的方法，然后对目标和背景都做与纹理相关的灰度加权处理，用多模板匹配降低单一模板匹配的风险。实验选择借助投影仪在工件上投红黑　相间的光，目标与背景由于对光的反射率不同而出现较大的灰度差异，目标与背景做加权处理后，在不同的位置制作不同的模板，提高匹配效率，最后用　Ｐｅａｒｓｏｎ相似度量计算匹配结果，实验结果表明该方法可以达到理想的效果。　关键词：辅助纹理；模板匹配；灰度加权；多模板　中图分类号：Ｔｆｒ７５１．１　文献标识码：Ａ　国家标准学科分类代码：４６０．４０２０　ＤＯＩ：１０．１５９８８／ｊ．ｃｎｋｉ．１００４—６９４１．２０１７．Ｏ１．００１　Ｔｅｍｐｌａｔｅ　Ｍａｔｃｈｉｎｇ　Ｄｅｔｅｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　Ｂａｓｅｄ　ｏｎ　Ａｕｘｉｌｉａｒｙ　Ｔｅｘｔｕｒｅ　Ｊｉａ　Ｊｕｎｈｕｉ　Ｚｈａｎｇ　Ｘｕ　Ｚｈａｎｇ　Ｇａｎｇ　０　引言　在机器识别物体的过程中，图像匹配技术用来匹配　两幅或多幅图像，是一种在图像中确定物体信息的典型　方法，一直作为计算机视觉方面的基本技术而被广泛应　用。模板匹配通过计算目标窗口与模板的相似度来确定　物体信息，有较好的鲁棒性，而其缺点是需要与模板进行　匹配的窗口过多导致运算量较大。随着科学技术的发　展，新的要求和应用促使新的匹配方法的诞生，匹配算法　的研究也逐步走向深入，产生了快速、稳定、鲁棒性好的　匹配算法。图像匹配技术主要由四部分组成，特征空间、　搜索空间、搜索策略和相似性测度。图像匹配技术大致　可以分为基于像素灰度、基于图像特征及基于其他理论　的图像匹配。基于几何特征的模板匹配算法是通过提取　模板的几何信息作为匹配特征，匹配特征不以灰度信息　作为变量，故抗干扰能力强，但是对于边缘、角点等几何　特征不明显时，匹配效果不理想。　传统的基于像素灰度的匹配方法是模板图像的灰度　矩阵逐个像素地与搜索图像的所有可能的图像窗口按某　种相似度量方法进行搜索比较，而常用的相似度量方法　为序贯相似性检测法、归一化积相关算法等。对于纹理　信息少、目标与背景极度相似的特殊应用中，匹配结果并　不好。崔政等人提出了一种对于字符识别的特征加权模　板匹配算法，能够很好地增加匹配效率，但是对于旋转的　物体，该方法的检测效果不太理想。吴平等人提出了先　对搜索图和模板抽样进行粗匹配，并根据设定的阈值找　到候准匹配点，然后对候准匹配点进行精匹配，取得了较　好的匹配效果，但是对于特征较少的被测物体来说，检　测结果不够理想。唐进等人提出了一种多步长模板匹配　方法，对某一位置，均匀采集一些像素点进行相似度计　算，对于不符合要求的位置，直接淘汰，而对于符合要求　的位置，进一步增加像素点进行计算，可以提高匹配效　率，但是对于纹理信息较少的物体，匹配的准确度不够　好。呙润华等人提出一种联合应用ＢＰ神经网络和模板　匹配方法优化车牌字符识别方法，也就是基于一定前处　理技术，提出一种新的神经网络方法提取特征，然后根据　模板匹配技术准确确定，该方法对各省份的车牌进行识　别，取得良好效果，但该方法仍然是基于样本特征。　１模板匹配分析　辅助纹理能够极大的增加待测物体的特征量，这些　特征在图像中则表现为灰度变化。根据特征适当的调整　加权方法能够极大的提高匹配精度和效率。待测物体和　模板之间的匹配关系是通过计算相似性度量来实现的。　１．１原理分析　本文的待测物体为黑色金属小圆片（共９个），圆片　近似锥形，如图６（ｃ）所示，圆片中间部分稍高，而边缘部　分较平。背景为灰色压缩板，颜色与圆片很相近，不容易　区分，从图１可以看出，在普通光源条件下，圆片容易反　光，且边缘较平的位置更容易出现反光现象，而这种情况　会使圆片和背景具有极高的相似性，基本不能直接通过　模板匹配方法进行检测，而目标与背景在材质上存在明　基金项目：国家自然科学基金资助项目（５１５７３３２）；上海市教育委员会科研创新项目（２０１４Ｚ１０２８００３４）　收稿日期：

２０１６一ｏ９—１３　贾君崽等：基于辅助纹理的模板匹配检测技术　，　『１，ｒ（ｔｔ，　）≥Ｔ１　，　叭ｌｔ￣Ｕ）　１０，ｒ（　）＜７１１　）　把结果之和作为整个模板集与子图的搜索结果，根　据多次实验，设定阈值　，即　（Ｈ，　）＝∑“，（“＇！】）　（４）　当Ｗ（Ｕ，＂）≥７２时，认为该子图与模板匹配，当　（“，　）＜１２时，认为该子图与模板不　配。　在实际情况中，待测物体在图像中的位置变化是有　一定范围的，因此选择合适的ＲＯＩ区域可以提高匹配效　率。由于９个圆片在（图４）辅助纹理下，其网格特征并　不相同，因此选择不同的ＲＯＩ区域，根据每个区域的纹　理信息，制作不同的　配模板。基于这种原理，圆片匹配　的整个步骤如下，算法流程如图４所示：　图４圆片模板对比　（１）多次测试确定最佳阈值Ｔ１和Ｔ２；　（２）根据圆片所在位置及其位置变动范围，画出最　佳的９个ＲＯＩ区域；　（３）在每个ＲＯＩ区域，分别制作匹配模板集，包括缩　放模板及旋转模板，构成９个模板集；　（４）根据‘井’字形多模板集加权方法和Ｐｅａｒｓｏｎ相　似度测量方法，针对某一ＲＯＩ区域ｉ，用（３）制作的相对　应的模板集　中的模板ｋ进行遍历，并计算相似度ｒ，比　较ｒ与７’ｌ的值，并计人ｒ≥Ｔ１的次数　，若　≥１２，则匹　配成功，输出结果；　（５）对于剩下的８个ＲＯＩ区域，依次按照（４）的方式　进行。　２实验验证　２．１现场实验　拍摄现场如图５所示，通过投影仪向工件上投射辅　助网格纹理（图５（ｄ）），相机拍摄附加辅助纹理的圆片　图像。项目目标是检测工件（图５（ｂ））上九个黑色金属　圆片的有无，而背景为带九个小孔的灰色压缩板。在环　境光源下，圆片和背景很难区分，为了进一步说明，将目　标匹配出现的四种情况分别制成模板并进行对比，如图　４所示。不加辅助纹理时，待匹配目标和背景的特征差　异很小，基本不能直接通过匹配算法正确区分圆片和背　景。当加入辅助光源后，可以看出背景和圆片具有极大　的特征差异，为正确匹配提供了基础。为了增大辅助光　的效果，对模板和样本都采用与辅助纹理相关的灰度加　权，增大了匹配的准确性。并且从图４第三行增加了辅　助纹理特征的模板圆片图像可以看出，在同一光源条件　下，各个圆片的纹理特征并不相同，因此针对不同的圆片　需要制作不同的模板。圆片相对于相机的位置相对固　定，每个圆片相对于相机的位置变动在一定范围，根据模　板对每个圆片选择合适的ＲＯＩ区域，可以提高匹配效率　和准确度。　

图５拍摄现场　２．２模板加权前后对比　表１和表２分别表示模板与目标样本加权前和加权　后的匹配结果。对比单组结果可知：用单一模板匹配多　个圆片或者用多个模板　配单一圆片，模板与目标样本　的相关性变化范围很大，不利于相关性阈值的选择。对　比两组结果可知：当模板与目标样本为相同位置的圆片　时，加权后的匹配结果都大于０．８５７，而不加权的匹配结　果都小于０．７９２。而当模板与目标样本位置不同时，加　权后的匹配结果都小于相同条件下不加权的　配结果。　即加权后的模板与相同位置的目标样本的相关性高于不　加权时的相关性；加权后的模板与不同位置的目标样本　的相关性低于不加权时的相关性。即加权提升了模板与　样本的特征区分度，提高了匹配的准确度。　２．３单模板与多模板对比　如图４所示，在普通光源下，九个位置处的圆片和背　景差异很小。其匹配结果如图６左列所示，匹配结果不　理想。在辅助光源下（图６），九个位置处的圆片灰度特　征与背景具有明显的差异。但是受光照、圆片位置等的　影响，每个圆片的灰度特征有很大不同（图４第３行），　根据表２，如果用一个模板匹配九个圆片，其相关性变化　一

　幅度太大，不利于最终的匹配。借助辅助光源时，用单模　板　配的结果如图６中列所示，只能匹配　部分圆片。　最后选择基于辅助光采用九个模板的方法，即只有当所　选模板与目标样本为相同位置时，才被视为目标样本，而　其他样本都被视为非目标样本。根据九个模板所在位置　画ｆ｛ｊ九个ＲＯＩ，最后用几个模板分别去匹配所对应位置　的ＲＯＩ区域。根据表２可知，模板与目标样本的匹配结　果大于０．８５７，而模板与非目标样本的匹配结果小于　０．６３１，即多模板增大了结果的区分度。　表１　灰度特征不加权的匹配结果　

普通光结果圈　特殊、尢单个模板结果罔　特殊光九个模板结果图　＿　ｒｏｌｌ　图６圆片检测结果　根据本文算法，ＲＯＩ区域划定及模板制作完成后就　可以进行匹配，匹配结果如网６右列所示，可以看出能够　正确的对图片和背景进行正确的区分，得到正确的匹配　结果。　３　总结　针对模板与样本特征相似的匹配问题，本文提出了　一种增加纹理的方法，根据辅助纹理特征，采用‘井’字　形多模板集加权，并对模板和样本都进行加权改造，然后　对样本选取合适的ＲＯＩ区域，用模板匹配相应的ＲＯＩ区　域，最后采用Ｐｅａｒｓｏｎ相关系数进行相似性度量，获得了　正确的匹配结果。本文的主要工作如下：（１）针对辅助　纹理调整权值分配方法；（２）通过制作多模板集适应不　同的匹配环境；（３）不同位置制作不同的网片模板，提高　了匹配精度。　参考文献　［１］戴涛，朱长仁，胡树平．图像　配技术综述［Ｊ］．数字技术与应　用，２０１２（３）：１７４～１７５．　［２］吴晓军，邹广华．基于边缘几何特征的高性能模板匹配算法［Ｊ］．　仪器仪表学报，２０ｌ３，３４（７）：１４６２～１４６９．　［３］崔政，李壮．两种改进的模板　配识别算法［Ｊ］．计算机工程与　设计，２００６，２７（６）：１０８３～１０８５．　［４］吴平，王彬，薛洁，等．基于模板旺配的加速肺结节检测算法研　究［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１５．５ｌ（７）．　［５］唐五｛｝李青．一种快速的模板　配算法［Ｊ］．计算机应用，２０１０，　３Ｏ（０６）：１５５９—１５６１．　［６］呙润华，苏婷婷，马晓伟．ＢＰ神经网络联合模板匹配的车牌识别　系统［Ｊ］．清华大学学报：自然科学版，２０１３（９）：１２２１～１２２６．　［７］魏为民，王朔中，唐振军．一类数字网像篡改的被动认证［Ｊ］．东　南大学学报：自然科学版，２００７，３７（１）：５８—６１．　［８］王刚，段会川．加权模板匹配的二值化阈值不敏感性研究［Ｊ］．　计算机技术与发展，２０１２（２０１２年叭）：１２２～Ｉ２５．　［９］李小利，阮秋琦．阮成雄．基于灰度直方图的加权模板匹配法在　摄像机标定中的应用［Ｊ］．北京交通大学学报，２０１３，３７（２）：２２～２６．　［１Ｏ］Ｍａｈｍｏ￣Ａ，Ｋｈａｎ　Ｓ．Ｃｏｒｒｅｌａｔｉｏｎ—ｃｏｅｆｆｉｃｉｅｎｔ—ｂａｓｅｄ　ｆａｓｔ　ｔｅｍｐｌａｒｅ　ｍａｔｃｈｉｎｇ　ｔｈｒｏｕｇｈ　ｐｍ＇ｔｉａｌ　ｅｌｉｍｉｎａｔｉｏｎ［Ｊ］．１ＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　ｉｍａｇｅ　ｐｒｏｃｅｓｓ－　ｉｎｇ，２０１２，２ｌ（４）：２０９９～２１０８．　１］高军，李学伟，张建，等．基于模板匹配的图像配准算法［Ｊ］．　西安交通大学学报，２００７，４ｌ（３）：３０７—３１１．　１＿ｌ２］刘佳，傅　Ｈ乎，王雯，等．基于改进ＳＩＦＴ算法的图像匹配［Ｊ］．　仪器仪表学报，２０１３，３４（５）：１１０７～ｌｌｌ２．　［１３］Ｗｅｉ　Ｉ　，Ｊｉａｏ　Ｚ．Ｖｉｓｕａｌ　ｌｏｃａｔｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｐｌａｃｅｍｅｎｔ　ｍａｃｈｉｎｅ　ｂａｓｅｄ　ｏｎ　ｍａｃｈｉｎｅ　ｖｉｓｉｏｎ［Ｃ］／／Ｅｍｂｅｄｄｅｄ　Ｃｏｍｐｕｔｉｎｇ，２００８．ＳＥＣ０８．Ｆｉｆｔｈ　ＩＥＥＥ　Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ．ＩＥＥＥ，２００８：１４１—１４６．　［１４］赵峰，黄庆明，高文．一种基于奇异值分解的图像匹配算法［Ｊ］　．计算机研究　ｊ发展，２０ｌＯ，４７（１）：２３～３２．　［１５］王红梅，张科，李言俊．图像　配研究进展［Ｊ］．计算机工程与　应用，２００４，４０（１９）：４２～４４．　［１６］朱奇光，张朋珍，李吴立，等．基于全局和局部特征融合的图像匹配　算法研究［Ｊ］．仪器仪表学报，２０１６，３７（１）：ｌ７０～１７６．　［１７］Ｌｉｕ　Ｔ，Ｓｈｉ　Ｚ，Ｙｕ　Ｈ．Ｔｅｍｐｌａｔｅ—ｍａｔｃｈｉｎｇ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ＯＦｔ　ｉｍａｇｅ　ｔｅｘｔｕｒｅ　［Ｊ］．Ｉｎｆｒａｒｅｄ　ａｎｄ　Ｌａｓｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，３４（３）：３ｌ９．　［１８］尧思远，王晓明，左帅．基于ＳＵＲＦ的特征点快速匹配算法［Ｊ］．　激光与红外，２０１４，４４（３）：３４７～３５０．　作者简介：贾君慧，女，硕士研究生。二ｒ作单位：上海大学机电工程与自动　化学院。　张旭，上海大学机电工程与自动化学院（上海２０００７２）。　张刚，华中科技大学无锡研究院机器人应用技术中心（无锡２１４１７４）　全部圆片榆测结果　圃片检测结檗