基于灰度特征和模板匹配的人眼定位概要

基于灰度特征和模板匹配的人眼定位

摘要提出一种基于灰度特征和模板匹配的人眼定位方法。在人脸图像中寻找与实际眼睛大小相似而且比其相邻区域灰度值低的区域作为可能的眼睛块，然后利用人脸器官分布的一些先验知识进一步判定真正可能的眼睛块，最后利用双眼模板匹配提高眼睛定位的正确性。

关键词灰度特征；模板匹配；人眼定位；人脸检测

1 引言

人脸检测技术在身份识别、安全监控、图像与视频检索和智能人机接口等方面的广泛运用，已成为计算机视觉和模式识别领域内的热门研究课题。广义来说，人脸检测可以分为两项内容，一项是人脸位置、大小和方向的确定；另一项是面部主要器官的定位，特别是人眼的定位。人眼作为人脸最显著的特征，比嘴、鼻能够提供更可靠、更重要的信息。

常用的人眼定位方法有阈值分割法[1]、灰度投影法[2]和模板匹配法[3]。阈值分割法首先对人脸的二值图像进行区域分割，然后设定一系列经验值和支持函数粗定位眼睛。该方法对于如人眼闭合、戴眼镜等一些情况定位效果较差。灰度投影法对人脸图像进行水平和垂直方向的投影，根据波峰波谷的分布信息来定位眼睛。这种方法定位速度较快，但波峰、波谷的分布对不同的人脸和姿态的变化非常敏感，因此定位精度较差，并且容易陷入局部最小而导致定位失败。模板匹配[5]是一种有效地模式识别技术，它能利用图像信息和有关识别模式的先验知识，更加直接地反映图像之间的相似度，传统的模板匹配方法首先要分别得到左眼和右眼模板，然后分别用左右眼模板在图像中进行匹配，得到两个相似度最大的点作为定位的眼睛，这种方法比较简单，但计算量较大，定位准确率较低。

本文提出的人眼定位方法是通过寻找灰度图像中可能的眼睛区域并进行模板匹配来实现的。

2 基于灰度特征的眼睛定位

在人脸的灰度图像中，由于眼睛虹膜、瞳孔和上眼框部位的灰度值明显比其邻近区域(眼部周围皮肤)灰度值要低[4]。因此在人脸图像中找出与实际眼

睛大小相似且比其相邻区域灰度值低的区域作为可能的眼睛块；利用人脸器官分布的一些先验知识建立人眼位置的判定准则；如果一对可能的眼睛块大小在

输入图像的每一个像素

均值相比较，即

定得到真正可能是眼睛的像素块。

(1)如果由可能的眼睛像素组成的图像块过大或过小，即由眼睛像素块

组成的矩形高度大于2h

e ，小于0.5h

；或者宽度大于0.7w

，小于0.15 w

。这

些图像块就不可能为眼睛块，因此这些相连像素被剔除。

(2)在眼睛区域中，其上下眼睑、瞳孔的灰度值相对比眼睛的其它区域低，这样通过像素块灰度值比较后，有一些眼睛附近的像素没有标记为可能的眼睛像素。因此如果一个像素周围有足够多的可能眼睛像素，则这个像素也被标记为可能眼睛像素。

(3)一般来说，人眼的长度与宽度的比值大约为0.5左右，利用这个条件，我们可以进一步剔除长宽比过大的图像块。

(4)人的两眼中心的连线的距离在0.5w

e 到w

之间，且对于人的两眼连

线来说，相对于水平方向的旋转角度在45°到135°之间。根据这两个条件，可以进一步得到可能的眼睛块。

两个可能眼睛块中心连线的距离通过计算它们中心的距离得到，对于一块可能的眼睛区域来说，可以看作是一个凸多边形，因此可以求出其质心。

以上的处理结果如图2、图3、图4

3 模板匹配

传统的模板匹配法，通常是在整幅图像中进行匹配，运算量大，且干扰因素较多。本方法中因为已粗略定位出眼睛的区域，再使用模板匹配运算量会减小多，匹配的相似眼睛点也会有所减少，定位准确率会有所提高。

我们通过初步定位已经大致得到可能的成对眼睛块，因此在模板的匹配过程中采用的是双眼模板而不是分开的左眼和右眼模板。眼睛模板的训练过程可采用文献[5]中的方法，采用多个人脸样本取平均的方法构造，选取标准证件照，手工划出人脸区域作为人脸样本，再从人脸样本上获得眼睛，且要求没有戴眼镜，没有头发遮盖。

用输入图像的可能眼睛块与人眼模板之间的相关系数来度量它们的相似程度(即匹配程度)。将两个可能为眼睛的图像块相连得到一个新的可能的双眼图像区域，双眼模板根据可能的双眼图区域的大小和方向进行缩放及旋转，计算双眼模板与可能的双眼图像块的相关系数。令双眼模板的灰度矩阵为

4 实验结果及分析

实验中对不同光照、不同姿态、不同背景的人脸图像进行测试，实验表明该方法对具有一定背景、戴眼睛的人脸基本能够定位，参见图6至图8。在某种情况下可能会出现人眼定位的偏差，主要原因是将眼睑部分也视为可能的眼睛块处理。

一定的影响。而在背景较简单、旋转角度不是很大的条件下，能获得较高的定位准确率。

5 总结

本文提出一种基于灰度特征和模板匹配的人眼定位方法。通过寻找灰度图像中可能的眼睛区域并进行模板匹配来实现眼睛定位的。实验证明，该方法对有一定背景、戴眼镜及有一定旋转的图像的人眼定位有较高的准确性。

参考文献

[1] 钟威，刘智明，周激流. 人脸检测中眼睛精确定位的研究［J］. 计算机工程与应用， 2004，36，pp：73-76

[2] 冯建强，刘文波，于盛林．基于灰度积分投影的人眼定位［J］. 计算机仿真，2005，22 (4)，pp：75-77

[3] 史慧荣，张学帅，梁彦等. 一种基于模糊分类的模板匹配眼睛定位方法［J］. 西北工业大学学报，2005，23(1)，pp： 55-59

[4] 陶亮，庄镇泉. 复杂背景下人眼自动定位. 计算机辅助设计与图形学学报 Vol.15，No.1， Jan.， 2003 pp：38-42

[5] 梁路宏，艾海舟，徐光佑等.基于模板匹配与人工神经网确认的人脸检测［J］ .电子学报， 2001， 67(6)： 744-747.

基于特征的图像匹配算法毕业设计论文(含源代码)

诚信声明本人声明：我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名：日期：2010 年05 月20日

毕业设计（论文）任务书设计（论文）题目：学院：专业：班级：学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和内容（1）查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的发展和应用进行全面综述。（3）学习图象匹配算法，尤其是基于特征的图象匹配算法。（4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 张桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，张明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．

基于MATLAB的彩色图像灰度化处理

目录第1章绪论............................................................................................................................ - 1 - 第2章设计原理.................................................................................................................... - 2 - 第3章彩色图像的灰度化处理............................................................................................ - 3 - 3.1加权平均法 .. (3) 3.2平均值法 (3) 3.3最大值法 (4) 3.4举例对比 (5) 3.5结果分析 (6) 第4章结论.......................................................................................................................... - 8 - 参考文献....................................................................................................... 错误！未定义书签。附录............................................................................................................................................ - 9 -

基于HALCON的模板匹配方法总结.

基于HALCON的模板匹配方法总结基于HALCON的模板匹配方法总结 HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用 area_center()找到这个矩形的中心；

⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓； ⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数 find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。 ⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数 vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的

基于灰度的图像配准matlab源程序

function [I_SSD,I_NCC]= template_matching(T,I) %图像配准 % [I_SSD,I_NCC]= template_matching(T,I) % 输入：T-模板 I-输入的原始图像 % I_SSD采用像素差平方和法（SSD）的匹配结果 % I_NCC采用标准化互相关匹配法的匹配结果 % 将图像转换为双精度型 T=double(T);I=double(I); if(size(T,3)==3) %如果是彩色图像，则按照彩色图像匹配方法 [I_SSD,I_NCC]= template_matching_color(T,I); else %如果是灰度图像，则按照灰度图像匹配方法进行匹配 [I_SSD,I_NCC]= template_matching_gray(T,I); end function [I_SSD,I_NCC]= template_matching_color(T,I) %子函数 %功能：对彩色图像进行匹配子函数，其核心原理是从R、G、B三个子色调进行匹配 [I_SSD_R,I_NCC_R]= template_matching_gray(T(:,:,1),I(:,:,1)); [I_SSD_G,I_NCC_G]= template_matching_gray(T(:,:,2),I(:,:,2)); [I_SSD_B,I_NCC_B]= template_matching_gray(T(:,:,3),I(:,:,3)); %融合三次匹配结果 [I_SSD]=(I_SSD_R+I_SSD_G+I_SSD_B)/3; [I_NCC]=(I_NCC_R+I_NCC_G+I_NCC_B)/3; function [I_SSD,I_NCC]= template_matching_gray(T,I) %子函数 %功能：对灰度图像进行匹配子函数 T_size=size(T);I_size=size(I); outsize=I_size + T_size -1; %在频域内进行相关计算 if(length(T_size)==2) FT=fft2(rot90(T,2),outsize(1),outsize(2)); FI=fft2(I,outsize(1),outsize(2)); Icorr=real(ifft2(F1.*FT)); else FT=fftn(rot90_3D(T),outsize); FI=fftn(I,outsize); Icorr=real(ifftn(FI.*FT)); end LocalQSumI=local_sum(I.*I,T_size);

模板匹配

halcon模板匹配 * 在一个图片中获取ROI并在此图片中匹配 dev_close_window () dev_open_window (0, 0, 600, 600, 'black', WindowHandle) * 窗口语句 read_image(Image,'L:/Halcon test/mk2.jpg') *read_image(Image,'L:/Halcon test/mk3.jpg') *read_image(Image,'L:/Halcon test/mk4.jpg') * 这里有4张图片，每一张都说明一个小问题，附图分析。 gen_rectangle1 (ROI1, 57.8333, 49.5, 181.167, 342.833) * 画一个矩形选择ROI，矩形在左上角，覆盖一个完整的，无变形规定尺寸的商标，作为模板。 reduce_domain(Image,ROI1,ImageReduced1) * 大图和这个矩形的ROI相减就会得到一个左上角的商标的图案作为模板，命名ImageReduced。 create_shape_model(ImageReduced1,0,0,rad(360),0,'no_pregeneration','use_polarity',40,10,ModelID1) * 创建一个比例不变（1:1）的匹配的轮廓模型。具体参数下个帖子说明，也可见[Halcon算子学习交流区] Halcon模版匹配算子解析。 find_shape_model(Image,ModelID1,0,rad(360),0.7,13,0.5,'interpolation',0,0.9,Row,Column,Angle,Score) * 寻找与模板的大小尺寸必须是一比一匹配的，只是角度的不同而已，若大小发生变化，则不能匹配 get_shape_model_contours(ModelContours1,ModelID1,1) * 在大图中获取匹配。 for i := 0 to |Row|-1 by 1 vector_angle_to_rigid(0,0,0,Row【i】,Column【i】,Angle【i】,HomMat2D) affine_trans_contour_xld(ModelContours2,ContoursAffinTrans,HomMat2D) endfor * 获取匹配。 disp_message (WindowHandle, '总共匹配了' + |Row| + '个商标', 'window', 12, 12, 'red', 'true') * 输出数量统计。 clear_shape_model(ModelID1) stop()

一种快速鲁棒的模板匹配算法

《工业控制计算机》2019年第32卷第3期图像匹配是计算机视觉领域的众多重要课题之一，而模板匹配是图像匹配的子类之一。在许多涉及视觉领域的实际应用中，通常需要利用多个视觉传感器采集同一物体不同角度或者不同背景下的图像信息，来确定同一物体在不同图像内位置关系。模板匹配应用在很多计算机视觉领域，比如目标识别、跟踪、图像拼接、三维重建等。模板匹配的核心是在目标图片内确定模板中的感兴趣物体的位置。传统的模板匹配算法通过计算模板和滑动窗口之间的相似性这一方式来确定匹配结果。但是在实际应用场景中，模板图像中包含的感兴趣目标往往会受到外部条件的影响从而发生颜色和特征上的复杂变化，这些条件包括光照、变形等等。除此之外，感兴趣目标本身也容易发生非刚性变形、被障碍物遮挡、角度变换等情况都会使传统的相似性度量方法遭到很大的挑战。传统的模板匹配算法通常都是基于单一的图像像素点的颜色信息，由于颜色信息容易受到外部条件的影响，所以算法鲁棒性较差。另外，这些基础算法一般都采用滑动窗口来确定搜索空间，这样会浪费较多时间，所以速度较慢，效率较低。除这类算法以外，很多匹配算法在模板图像和目标图像间建立一个具体的带有许多参数的形变转换模型。基于参数模型的算法由于参数条件的限制，一般只能处理特定场景的图像对，能够应用的场景非常有限。因为在估计复杂变换时引入了许多参数，算法中包含大量的计算，从而花费了更多时间，效率也不高。为了提升模板匹配算法的效率和鲁棒性，本文提出了一种基于特征点的模板匹配方法。 1基于特征点的模板匹配 1．1特征点提取并匹配在图像处理中，特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征，能够标识图像中目标物体，通过特征点的匹配能够有效准确地完成图像的匹配。基于对特征提取算法的研究，本文采用速度较快的ORB特征提取算法，利用其速度快和特征点多的特点，将模板与被搜索图像之间的特征点进行匹配。ORB算法的基本步骤是首先在尺度空间中用oFAST算法提取局部不变特征点，接着用rBRIEF 算法对提取到的特征点构建特征描述子，最后对这些描述子进行匹配。具体步骤为：步骤一：粗提取。提取大量的特征点，但是有很大一部分的特征点的质量不高；步骤二：利用机器学习的方法筛选最优特征点；步骤三：采用非极大值抑制去除局部较密集特征点；步骤四：建立金字塔，来实现特征点的多尺度不变性；步骤五：定义矩方法实现特征点的旋转不变性。 ORB是为了满足实时处理的需要而提出的基于FAST特征检测和BRIEF特征描述的一种局部不变特征算法。两幅图片的特征点提取成功后使用BF算法进行匹配得到两幅图片的特征点对。 1．2剔除错误的匹配点对通过ORB特征点提取算法和BF算法匹配后得到了两幅图片的特征点对。但是由于ORB特征点的数量巨大，且BF算法只能计算特征向量之间的相似性进行粗略匹配，因此特征点对当中包含大量错误的匹配点对，需要进一步剔除错误的匹配点对。如前文所述，本文算法注重提升运行速度和增强鲁棒性，所以本文采用基于运动统计模型的GMS算法来筛选特征点对。近两年关于计算机视觉的国际会议中，将平滑度约束引入特征匹配用以实现超强鲁棒匹配的方法屡见不鲜。然而基于这个方法的方案或模型既复杂又缓慢，使得它们难以适用于视频或者实时系统。在CVPR2017会议上，毕业于南开大学现于新加坡科技设计大学担任助理研究员的边佳旺提出了基于网格的运动统计模型GMS，将运动平滑度作为统计量进行局部区域的匹配。由于算法实现了高速并且超稳定的图像匹配效果，对计算机视觉领域的研究产生重要影响。图像对邀I a，I b妖各自具有邀N，M妖特征点，x＝邀x1，x2，x3，…，x i，…，x N妖表示从I a到I b的相似点对集合，GMS的目的就是将集合内正确点对与错误点对区分开来。假设两幅图像的对应区域a和b各自具有特征点数为邀n，m妖。GMS的统计模型为： S i ＝x i－1 上式中，x i哿x是a和b区域之间特征点对集合中的一个元素，S i表示区域内支持这个点对的度量方法，S i越大，支持这个点对的特征点对越多，表示点对是正确点对的可能性越大；S i越一种快速鲁棒的模板匹配算法 A Fast and Robust Template Matching Algorithm 王美和陈金波（上海大学机电工程与自动化学院，上海200072）摘要：模板匹配是计算机视觉领域中一项重要的研究内容。提出了一种基于特征点匹配的快速鲁棒的模板匹配算法。为了提升匹配速度，该算法提取模板图片与目标图片的特征点进行匹配，而不是采用传统的计算模板匹配与滑动窗口相似性的方法。首先提取出两幅图片的特征点并对这两个特征点集合进行匹配；然后基于运动统计模型移除错误点对；最后利用网格框架来定位目标图片中的物体。实验结果表明，该算法匹配速度较快、准确度较好，并且在匹配水下声呐图片时有较好的表现。关键词：模板匹配，特征点，网格框架，快速鲁棒 Abstract:T his paper presents a fast and robust method for template matching based on the feature matches between a target image and the template．It extract two sets of feature points from two images by ORB algorithm and match the key points to get a number of matches,and remove the wrong matches to leverage feature numbers to improve quality．Then,this paper uses a grid framework to locate the target object． Keywords:template matching,key points,grid framework,fast and robust 45

模板匹配详解

模板匹配? 目标? 在这节教程中您将学到: ?使用OpenCV函数matchTemplate在模板块和输入图像之间寻找匹配,获得匹配结果图像 ?使用OpenCV函数minMaxLoc在给定的矩阵中寻找最大和最小值(包括它们的位置). 原理? 什么是模板匹配?? 模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术. ?我们需要2幅图像: 1. 原图像(I):在这幅图像里,我们希望找到一块和模板匹配的区域 2. 模板(T):将和原图像比照的图像块我们的目标是检测最匹配的区域:

?为了确定匹配区域, 我们不得不滑动模板图像和原图像进行比较: ?通过滑动, 我们的意思是图像块一次移动一个像素(从左往右,从上往下). 在每一个位置, 都进行一次度量计算来表明它是“好” 或“坏” 地与那个位置匹配(或者说块图像和原图像的特定区域有多么相似). ?对于T覆盖在I上的每个位置,你把度量值保存到结果图像矩阵(R)中. 在R 中的每个位置都包含匹配度量值:

上图就是TM_CCORR_NORMED方法处理后的结果图像R . 最白的位置代表最高的匹配. 正如您所见, 红色椭圆框住的位置很可能是结果图像矩阵中的最大数值, 所以这个区域(以这个点为顶点,长宽和模板图像一样大小的矩阵) 被认为是匹配的. 实际上, 我们使用函数minMaxLoc来定位在矩阵R中的最大值点(或者最小值, 根据函数输入的匹配参数) . 问得好. OpenCV通过函数matchTemplate实现了模板匹配算法. 可用的方法有6个: 1. 平方差匹配method=CV_TM_SQDIFF 这类方法利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大. b. 标准平方差匹配 method=CV_TM_SQDIFF_NORMED

关于图像匹配的综述

关于图像匹配的综述 1.图像匹配的背景及定义 1.1图像匹配的背景及意义图像匹配技术广泛的应用于日常生活中的诸多领域，如医疗诊断中各种医学图片的分析与识别、遥感图片识别、天气预报中的卫星云图识别、指纹识别、人脸识别等。图像匹配技术主要指通过计算机，采用数学技术方法，对获取的图像按照特定目的进行相应的处理。图像匹配技术是人工智能的一个重要分支和应用，随着计算机技术及人工智能技术的发展，图像识别技术逐渐成为人工智能的基础技术之一。它涉及的技术领域相当的广泛，也越来越深入，其基本分析方法也随着数学工具的不断进步而不断发展。现在，图像识别技术的应用范围己经不仅仅局限于视觉的范围，也体现在机器智能和数字技术等方面。 1.2图像匹配的定义所谓图像匹配是指在一幅(或一批)图像中寻找与给定目标图像相似的图像或者图像区域(子图像)的过程。通常将已知目标图像称为模板图像，而将待搜索图像中可能与它对应的子图称作该模板的待匹配的目标图像。图像匹配是在来自不同时间或者不同视角的同一场景的两幅或多幅图像之间寻找对应关系，该技术隶属于计算机视觉哺领域。图像匹配的具体应用包括目标或场景识别、在多幅图像中求解3D结构、立体对应和运动跟踪等。由于拍摄时间、拍摄角度、自然环境的变化，多种传感器的使用、传感器本身的缺陷及噪声等影响，拍摄的图像会存在灰度失真和几何畸变。同时，图像预处理过程会引入的误差，这都是导致模板图像与待匹配的目标图像之间通常存在着一定程度上的差异。在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快和抗干扰性强成为人们关心的问题。 2.图像匹配算法的分类图像匹配算法的选取对图像匹配结果的影响很大。实用的匹配算法不仅要求计算量小，还必须具有良好的抗噪能力和抗几何形变的能力。通常情况下，图像匹配算法可以分为以下两大类：基于灰度相关的匹配算法、基于特征的图像匹配算法。 1) 基于灰度分布的相关匹配算法，也称为基于区域的匹配方法。常见的基于图像灰度的匹配方法有：（1）归一化灰度相关匹配、（2）最小二乘影像匹配、和（3）序贯相似性检测法匹配等。该类算法直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。在灰度及几何畸变

基于图像灰度的模板匹配方法

基于图像灰度的模板匹配方法图像匹配技术是数字图像信息处理和计算机视觉领域中的—个基本问题，并在卫星遥感、空间飞行器的自动导航、武器投射系统的末制导和寻的、光学和雷达的图像目标跟踪、地球资源分析与检测、气象预报、医疗诊断、文字读取以及景物分析中的变化检测等许多领域中得到广泛应用㈣。一般来说，由于图像在不同时间、不同传感器、不同视角获得的成像条件不同，因此即使是对同一物体，在图像中所表现出来的几何特性、光学特性、空间位置都会有很大的不同，如果考虑到噪声、干扰等影响会使图像发生很大差异，图像匹配就是通过这些不同之处找到它们的相同点。图像匹配算法主要分为两类口：一类是基于灰度匹配的方法；另一类是基于特征匹配的方法。前者主要用空间的一维或二维滑动模板进行图像匹配，不同算法的区别主要在模板及相关准则的选择方面，这类方法一般匹配率高，但计算量大，速度较慢；后者则通过在原始图像中提取点、线、区域等显著特征作为匹配基元，进而用于特征匹配，一般匹配速度较陕，但匹配精度不一定高。 1.概念解释： ①数字图像:数字图像是由被称做像素的小块区域组成的二维像素矩阵。一般把图像分成3种形式：单色图像，灰度图像和彩色图像。 ②像素：表示图像颜色的最小单位 ③灰度图像：灰度图是指只含亮度信息，不含色彩信息的图像，就像平时看到的黑白照片：亮度由暗到明，变化是连续的。灰度图的每个像素的亮度用一个数值来表示，通常数值范围在0—255之间，即可用一个字节来表示，0表示黑，255表示白，而其他表示灰度。 ④点阵图:显示器的屏幕由可以发光的像素点组成. 并且从几何位置看, 所用这些像素点构成一个矩形的阵列.利用计算机控制各像素点按我们指定的要求发光,

数字图像处理图像匹配

摘要图像匹配是图像处理技术中的重要研究内容。文本介绍了图像匹配技术的要素，对匹配算法的分类以及匹配性能评价指标，并且将各方法进行了分析比较，指出其各自的优势与不足。同时，进一步探讨了图像匹配算法中有待研究的方向。图像匹配是将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配融合。图像匹配是多种图像处理及应用如物体辨识、变化检测、三维建模等的基础。图像匹配的方法有很多种,其中基于图像特征的图像匹配是匹配中最常见的方法。基于特征的图像匹配中,特征主要针对点特征。基于点特征的图像匹配,特征点的提取是图像匹配的关键步骤，从提取效率、算子稳定性、定位准确性、抗噪性、计算效率上对提取算子进行分析比对,用测试图像对各个提取算子进行实验分析,得出实验结论。通过特征点匹配算法需满足的三个原则对基于奇异值分解的角点匹配法进行了分析,得出了实验结论。关键词：图像匹配；传感器；特征；过特征点匹配

目录 1.设计的要求与目的 ..................................................................................................................................... I I 1.1题目 (1) 1.2 设计要求 (1) 1.3设计目的: (1) 1.4性能、接口： (1) 2.设计原理 (2) 2.1概念解释： (2) 2.2数字图像匹配算法设计 (2) 2.2.1基于灰度的摸版匹配算法 (3) 2.2.2局部灰度特征的编码与计算 (4) 3. 设计方案 (6) 3.1设计思想 (6) 3.2设计流程 (6) 4.应用程序设计 (7) 4.1程序代码 (7) 4.1.1读取原图像过程 (7) 4.1.2取特征点 (8) 4.1.3映射函数 (8) 4.1.4图像匹配 (8) 4.1.5输出匹配后图像 (9) 4.2界面设计 (10) 5.仿真与结果分析 (10) 5.1仿真分析 (10) 5.2结果分析 (10) 结论 (12) 参考文献 (13)

几种图像的检测和模板匹配方法

几种图像的检测和模板匹配方法图象的分割与检测（识别）实际上是一项非常困难的工作。很难说清楚为什么图象应该分割成这样而不是那样。人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以从很复杂的景物中分开并识别每个物体，甚至可以毫不费力的跟上每秒好几十帧变化的图象。举两个例子来说明一下人类视觉系统的优越性：图1是单词THE，这一点很容易看出来，但仔细观察一下，就会发现，图中少了很多线条。在我们人类看来很简单的一件事，让计算机来做就很困难了。图2中尽管没有任何线条，但我们还是可以很容易的看出中间存在着一个白色三角形。计算机却很难发现。由于人类在观察图象中应用了大量的知识，所以没有任何一台计算机在分割和检测真实图象时，能达到人类视觉系统的水平。正因为如此，对于大部分图象应用来说，自动分割与检测还是一个将来时，目前只有少数的几个领域（如印刷体识别OCR）自动识别达到了实用的水平。假想在一场足球比赛的录象中，我们希望可以输入命令，由计算机自动搜索出所有射门的镜头并显示在屏幕上，但目前，我们能从一幅图象中获得的信息只是每个像素的颜色或灰度值，除此以外别无其它，完成上述功能实在是太困难了。所以说解决图象分割和检测最根本的方法是在编码（成像）时就给予考虑。这也正是MPEG4及未来的视频压缩编码标准的主要工作。针对上述困难，现在提出了三种算法：投影法，差影法和模板匹配。 1、投影法怎样从华盛顿纪念碑图中自动检测到水平方向上纪念碑的位置。仔细观察，不难发现，纪念碑上像素的灰度都差不多而且与众不同，如果我们选取合适的阈值，做削波处理（这里选175到220），将该图二值化，如下图所示：图1. 削波处理，将图二值化图2. 图4做竖直方向投影

基于阈值的灰度图像分割讲解

灰度阈值化方法的研究----CPT算法主要内容：第一章：绪论第二章：图像的预处理第三章：图像分割概述第四章：灰度阈值化图像分割方法第五章：CPT算法及其对它的改进第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现第七章：实验结果与分析第一章：绪论 1.1数字图像处理技术的发展人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。第二章：图像的预处理 2.1图像预处理的概述由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图

基于灰度的图像匹配研究

基于灰度的图像匹配研究李涛（P1*******）摘要：众所周知，可以说视觉对环境的感知效率是很高的，人类对外部世界的感知80%是由视觉完成的。我们所介绍的计算机视觉，用通俗的话说就是一门研究如何让机器来“看”的科学。具体说来，就是用计算机和摄像头来代替人眼的功能，实现对目标的识别、测量或者是跟踪并且相应的做出图像处理，甚至能够最终做出对目标的判断或者做出反应。当然，计算机视觉和其它的技术一样，经历了长期的发展过程。而是在近数十年计算机技术突飞猛进的背景下，它才真正得到关注和发展。图像匹配是计算机视觉和图像处理领域中一项非常重要且难度很高的工作。它主要用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。图像匹配是多种图像处理及应用的基础，匹配的效果直接影响到其后续图像的处理工作。正因为其应用的广泛性，需求的增多，大大推动了图像匹配技术的研究向前发展。但同时，我们也要认识到图像匹配也是一个难点问题。因此，对现有的图像匹配算法展开分析对于实际工程提高图像处理质量和识别精度具有非常重要的意义。本文作为一篇综述性的文章，我们主要向大家介绍图像匹配问题的由来，其中包含的主要内容，以及该问题所包含的主要技术和算法。关键字：图像匹配；灰度；特征；算法。 The Research of Image Matching Based On The Gray Li Tao Abstract:As we all know, we can say the efficiency of visual perceiving the environment is very high, 80% of the human perceiving outside world is completed by the visual. The so called computer vision, is a kind of science that about how to make machines to "see" in simple words. Specifically, is using computers and cameras to replace the function of the human eyes, to achieve the target recognition, measurement or make a track and the corresponding image processing, and even be able to make the final judgment on the target. Of course, computer vision has been gone through a long process of development. And it really gets attention in recent decades occurred in the context of rapid development of computer technology. Image matching is a very important and hard job in computer vision and image processing field. It mainly used in a kind of situation that we obtain two or more images to match in different times, different sensors, different perspectives and different shooting conditions. Image matching is the base of a variety of image processing and application, result of the matching directly impact on the effectiveness of subsequent image processing. Because of the large of its extensive application, demand for many new applications and new

基于HALCON的模板匹配方法总结

基于HALCON的模板匹配方法总结分类：halcon学习2013-06-26 16:02 47人阅读评论(0) 收藏举报 halcon形状匹配算法德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如VC++来开发的过程。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形的中心； ⑵然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓； ⑷创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的

基于图像校正与灰度相关性的立体匹配算法研究

机械 2010年第8期总第37卷设计与研究 ·15· ——————————————— 收稿日期：2010－03－15 基于图像校正与灰度相关性的立体匹配算法研究时洪光，张凤生，郑春兰（青岛大学机电工程学院，山东青岛 266071）摘要：立体匹配是双目视觉系统中必不可少的环节，对特征点进行匹配求解过程复杂，而且误匹配率较高。外极线约束为立体匹配提供了便利条件，但由于实际系统中的外极线是弯曲的，使得沿外极线进行同名点搜索不仅非常耗时，而且计算过程受噪声影响大。给出一种基于图像校正与灰度相关性的立体匹配算法。首先采用图像校正方法将弯曲的外极线变为相互平行的水平外极线，简化了外极线的求取过程；再利用灰度相关性算法对同名点进行匹配。实验结果验证了本文方法的准确性和稳定性。关键词：双目视觉；立体匹配；图像校正；灰度相关性中图分类号：TP391 文献标识码：A 文章编号：1006－0316 (2010) 08－0015－04 Research on stereo matching method based on image rectification and gray correlation SHI Hong-guang ，ZHANG Feng-sheng ，ZHENG Chun-lan (College of Mechanical & Electrical Engineering ，Qingdao University ，Qingdao 266071，China) Abstract ：Stereo matching is requisite for a binocular vision system. The process of the feature points matching is complex and with some mistake. Epipolar line restriction is convenient for stereo matching. However, the epipolar line in a practical system is curved, which makes that the searching corresponding points along epipolar line not only is time-consuming, but also is seriously effected by noise. Presents a matching algorithm based on image rectification and gray correlation. The curved epipolar line was converted into parallel straight lines, which simplified the solving process of epipolar line, and then the algorithm based on gray correlation was used to match corresponding points. Programming calculation results verified its accuracy and stability. Key words ：binocular vision ；stereo matching ；image rectification ；gray correlation 双目视觉系统被广泛应用于机器人视觉导航、智能交通、军事视觉制导等领域，而立体匹配是双目视觉系统中必不可少的环节[1]。立体匹配的本质就是给定一幅图像中的一点，寻找另一幅图像中的对应点，使得这两点为空间同一物体点的投影，进而求出二者的视差，以恢复场景的深度信息，并进一步求得该点的空间坐标。当空间的三维场景投影成二维图像时，同一物体在不同视点下的图像会有很大的不同，而且场景中的很多因素，像光照条件、镜头畸变、物理特性、噪声干扰和物体几何形状等，都会影响最终的匹配结果[2]。本文旨在研究匹配精度高、计算速度快的立体匹配方法。 1 立体匹配约束条件一般情况下，一幅图像中的某一特征基元在另一幅图像中可能会有很多候选匹配对象，可真正同名的结构基元只有一个，因此可能出现误匹配。为提高匹配精度，必须根据某些约束条件来消除误匹配。常用的匹配约束条件有：外极线约束、唯一性约束、连续性约束、相似性约束、顺序一致性约束等[3]。其中外极线约束把一个点在另一幅图像上的可能匹配点的分布从二维降到了一维，大幅度缩小了对应点的搜索空间，不仅提高了特征点搜索速度，而且减少了误匹配，应用最为广泛。