CN101794394A - 一种基于邻域上下文特征的模板匹配方法 - Google Patents

Abstract

本发明公开了一种基于邻域上下文的模板匹配方法，对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，对于满足邻域上下文约束的搜索子图，计算其与模板的相关性，依据相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取目标像素点。本发明关键之处在利用了邻域上下文的约束，并不是在所有的位置都计算子图与模板的相关性，而是只在满足邻域上下文约束的位置计算。在目标部件检测中加入该约束，提高了检测的准确性，由于该约束去除了很多位置点，因此还提高了检测速度。

Description

一种基于邻域上下文特征的模板匹配方法

技术领域

本发明属于图像处理方法，具体涉及一种基于邻域上下文特征的模板匹配方法，用于检测目标部件。

背景技术

模板匹配是图像处理中经典的方法，其中模板就是一幅已知的小图像，在目标检测任务中模板是一个目标的实例；模板匹配就是在一幅大图像中搜索目标，确定其坐标位置，在目标部件的检测任务中就是要找到该部件在目标中出现的位置。在模板匹配中，这个待匹配的目标图像称为场景图像。比如，在执行汽车轮胎检测的任务，模板就是一幅汽车轮胎的图像，而一个汽车的图像就是待匹配的场景图像，模板匹配就是根据这个模板的信息在汽车场景图像中找到轮胎，并确定其位置。

模板匹配的搜索过程就是将模板叠放在大图像上平移，模板覆盖被搜索图的那个区域叫做子图。传统的模板匹配方法是基于灰度值的，即通过度量模板与子图之间的灰度相关性来确定目标的位置，这种方法有很大的局限性，比如光照变化等情况对于图像灰度值的影响是很大的。因此有很多基于特征的模板匹配方法，利用模板与子图的特征之间的相关性来确定目标位置，因为特征的鲁棒性，在一定程度上提高了匹配的性能。基于特征的模板匹配方法已经在目标检测任务中得到广泛的应用。但目标部件一般情况下比较小，分辨率比较低，因此经常会出现检测错误的情况。

发明内容

本发明的目的是提出一种基于邻域上下文的模板匹配方法，考虑了目标部件周围信息的约束，提高目标部件检测的准确性。

一种基于邻域上下文的模板匹配方法，具体步骤为：

(1)计算模板的邻域上下文特征；

(2)对场景图像逐像素点遍历提取搜索子图，对于每一搜索像素点，计算其对应搜索子图的邻域上下文特征，如果该搜索子图与模板的邻域上下文特征相同，则计算该搜索子图与模板的灰度相关性，并将该像素点记为候选点；

(3)在各候选点中，选择其对应搜索子图与模板图像的灰度相关性最大的候选点，记为最终的目标部件位置；

其中，模板或搜索子图的邻域上下文特征是指模板或搜索子图的平均灰度值与它们邻域上下文区域中其它八个子区域的平均灰度值的比较结果；模板或搜索子图的邻域上下文区域是指以模板或搜索子图为中心，宽度和高度分别为模板或搜索子图的宽度和高度的3倍的区域，邻域上下文区域被平均分为九个子区域，其中中间一个为模板或搜索子图。

本发明采用的搜索过程中，考虑了模板中目标部件的邻域上下文信息的约束，只在满足该约束的位置计算模板与子图的相关性。因为目标部件一般情况下比较小、分辨率比较低，检测错误率比较高。但是在目标部件检测任务中，目标的部件周围一般都有比较一致的模式(比如在一般的汽车侧面图像中，汽车的前轮上面是车身，而下面则是地面)，因此需要考虑目标部件的邻域上下文信息。本发明采用的模板匹配方法在检测目标部件中利用了模板的邻域上下文信息的约束，提高目标部件检测的准确性；本发明在检测目标部件过程中去除了很多不满足邻域上下文信息约束位置，因此提高了检测的速度。

附图说明

图1是本发明流程图；

图2是模板的获取图像；

图3是模板图像；

图4是模板在获取图像中的位置；；

图5是模板的邻域上下文区域；

图6是模板的邻域上下文区域在获取图像中的位置；

图7是模板与邻域子区域的关系示意图；

图8是待检测图像；

图9是待检测图像中满足邻域上下文约束的位置；

图10是最终的检测位置。

具体实施方式

本发明步骤流程如图1所示，现举例说明：

(1)获取模板以及模板邻域上下文区域；

给定一幅图像，如图2所示的一幅汽车图像，选出待检测部件的模板，该实例中我们选取一个倒车镜作为模板，如图3所示，记为T(m，n)，其中1≤m≤WT，1≤n≤HT，WT和HT分别为模板的宽度和高度，WT＝7，HT＝7，在给定图像中的位置如图4所示，模板区域用白色框标出。以模板区域的中心为中心，宽度和高度分别为模板宽度和高度3倍的区域作为该模板的邻域上下文区域，记为E，如图5所示，其宽度WC＝21和高度HC＝21，在给定图像中的位置如图6所示，该邻域上下文区域用白色框标出；

(2)计算模板邻域上下文特征C(k)，1≤k≤K₀，K₀＝8为特征维度；

在模板T的邻域上下文区域E中，模板区域周围有8个子区域，从左上角开始顺时针方向依次记为ES₁，ES₂，ES₃，ES₄，ES₅，ES₆，ES₇和ES₈，如图7所示。对于子区域ES_k，1≤k≤K₀，比较ES_k的平均灰度值与模板T的平均灰度值，如果ES_k的平均灰度值大于模板T的平均灰度值，则C(k)＝1，否则C(k)＝0；

(3)对待检测的场景图像F(如图8所示)逐像素点遍历提取搜索子图，在满足邻域上下文约束的位置计算各搜索子图G_i，j(m，n)与模板图像T(m，n)的相关性；

在每个搜索像素点位置(i，j)，计算其对应搜索子图G_i，j(m，n)的邻域上下文特征S_i，j(k)，1≤k≤K₀(该计算方法与模板的邻域上下文特征计算方法相同)，其中1≤m≤WT，1≤n≤HT，(i，j)为搜索子图左上角像素点在场景图像F上的坐标，场景图像的宽度WS＝100和高度HS＝40，搜索子图大小与模板大小相同，搜索子图对应的邻域上下文区域与模板的邻域上下文区域大小相同，搜索范围为8≤i≤WS-WC＝94，8≤j≤HS-HC＝34；

比较子图邻域上下文特征S_i，j(k)和模板上下文特征C(k)，如果S_i，j(k)＝C(k)，1≤k≤K₀，则计算模板T(m，n)与子图G_i，j(m，n)的灰度相关性：

$D(i,j)=\frac{\underset{m=1}{\overset{\mathrm{WT}}{\mathrm{\Σ}}}\underset{n=1}{\overset{\mathrm{HT}}{\mathrm{\Σ}}}T(m,n)\×G_{i,j}(m,n)}{\sqrt{\underset{m=1}{\overset{\mathrm{WT}}{\mathrm{\Σ}}}\underset{n=1}{\overset{\mathrm{HT}}{\mathrm{\Σ}}}{T}^2(m,n)}\sqrt{\underset{m=1}{\overset{\mathrm{WT}}{\mathrm{\Σ}}}\underset{n=1}{\overset{\mathrm{HT}}{\mathrm{\Σ}}}{G^2}_{i,j}(m,n)}};$

并将场景中像素点(i，j)的像素值置为D(i，j)；否则场景中像素点(i，j)的像素值置为0；

图9给出了场景图像中满足邻域上下文约束(S_i，j(k)＝C(k)，1≤k≤K₀)的位置，白色区域表示满足，黑色区域表示不满足；其中满足约束的白色区域的像素点称为候选点；

(4)在场景图像的候选点中，选择对应搜索子图与模板图像的相关性最大的候选点，即为最终的目标部件位置，结果如图10所示，其中白色叉所在的位置为最终目标部件左上角对应的位置，该位置坐标为(30，12)。

为了进一步说明本发明提出的方法在检测目标部件任务中的准确性，我们给出了一组本发明方法和传统方法(无邻域上下文约束的方法)的对比结果。如图11所示，第一列是模板，第二列是模板的邻域区域，第三列给出了待检测的图像，并标出了模板的真实位置，第四列和第五列分别是本发明方法和传统方法的实验结果。从这些结果可以看车，本发明的方法在检测目标部件任务中更加准确。

Claims (1)

1.一种基于邻域上下文的模板匹配方法，具体步骤为：

(1)计算模板的邻域上下文特征；

(2)对场景图像逐像素点遍历提取搜索子图，对于每一搜索像素点，计算其对应搜索子图的邻域上下文特征，如果该搜索子图与模板的邻域上下文特征相同，则计算该搜索子图与模板的灰度相关性，并将该像素点记为候选点；

(3)在各候选点中，选择其对应搜索子图与模板图像的灰度相关性最大的候选点，记为最终的目标部件位置；

其中，模板或搜索子图的邻域上下文特征是指模板或搜索子图的平均灰度值与它们邻域上下文区域中其它八个子区域的平均灰度值的比较结果；模板或搜索子图的邻域上下文区域是指以模板或搜索子图为中心，宽度和高度分别为模板或搜索子图的宽度和高度的3倍的区域，邻域上下文区域被平均分为九个子区域，其中中间一个为模板或搜索子图。

Images