朱泓諭

（東莞理工學(xué)院網(wǎng)絡(luò)空間安全學(xué)院 廣東省東莞市 523808）

在模式識(shí)別領(lǐng)域，模板匹配屬較為常規(guī)的方法，確定對象物在圖像中的位置，由此完成對象的識(shí)別操作?，F(xiàn)有經(jīng)驗(yàn)表明，模板匹配技術(shù)在條碼識(shí)別、指紋識(shí)別等應(yīng)用場景中均具有可行性。

1 模板匹配技術(shù)在圖像識(shí)別中的運(yùn)用實(shí)例

模板匹配技術(shù)得以實(shí)現(xiàn)的關(guān)鍵前提在于得到數(shù)學(xué)函數(shù)的支撐，準(zhǔn)確確定被搜索圖的坐標(biāo)關(guān)系，將其代入數(shù)學(xué)模型內(nèi)，做相應(yīng)的處理。模板匹配技術(shù)是模式識(shí)別領(lǐng)域應(yīng)用較為廣泛、效果較為良好的方法，但在面對各類干擾因素時(shí)，需要協(xié)同運(yùn)用數(shù)學(xué)模型，更好地滿足圖像識(shí)別的質(zhì)量和效率等層面的要求。

1.1 條碼識(shí)別

模板匹配技術(shù)已經(jīng)在條碼識(shí)別領(lǐng)域取得較突出的應(yīng)用效果，其中變造幣橫豎條碼是基礎(chǔ)，確定特定的數(shù)軸，在該基礎(chǔ)上增添二維圖像的灰度投影，再依托于已經(jīng)建立的數(shù)學(xué)模型，高效完成在數(shù)軸上的匹配操作，期間產(chǎn)生的噪音可相互抵消，可減小干擾，因此有利于提高識(shí)別的效率、降低識(shí)別錯(cuò)誤現(xiàn)象的發(fā)生概率。

垂直于水平2 個(gè)方向的圖像可根據(jù)灰度分布特征做特定的灰度投影操作，此方式下將生成模板投影所對應(yīng)的投影序列，與此同時(shí)也能夠得到等待匹配圖像的投影序列，再將兩者加以匹配，確定相關(guān)值，將該結(jié)果代入投影函數(shù)內(nèi)。模板匹配具有動(dòng)態(tài)化的特性，具體體現(xiàn)在模板投影曲線的層面，其存在上下滑動(dòng)的變化特點(diǎn)，經(jīng)過對比分析后，若兩幅圖具有相匹配的關(guān)系，則意味著相關(guān)函數(shù)最大值較大，即超過門限值。

1.2 指紋識(shí)別

依托于模板匹配技術(shù)，可以有效縮短指紋識(shí)別的持續(xù)時(shí)間，其中多道計(jì)算步驟均可以得到精簡處理，由此在較短的時(shí)間內(nèi)完成了匹配操作。整個(gè)匹配過程具有階段化的特征，其匹配操作可以分為多個(gè)細(xì)分的環(huán)節(jié)：每間隔M 個(gè)點(diǎn)搜索下匹配結(jié)果的優(yōu)劣，從中做出甄別，確定存在極大匹配的周邊，針對該范圍的參考值的位置做匹配操作，全過程中匹配點(diǎn)得到有效的保留，可以較好地規(guī)避匹配點(diǎn)丟失的情況；在前述基礎(chǔ)上，對M 個(gè)點(diǎn)隨機(jī)計(jì)算，生成突出特征隨機(jī)序列，其意義在于可決定后續(xù)計(jì)算誤差的先后順序；經(jīng)前述流程后，最后拋棄固定閾值，從中選擇最具應(yīng)用價(jià)值的單調(diào)增長性閾值序列，此時(shí)可以規(guī)避匹配序列的閾值點(diǎn)丟失的問題，識(shí)別結(jié)果的精度得到保證。

1.3 字符識(shí)別

實(shí)際運(yùn)用中，主要考慮如下兩種情況：

（1）采用以特征加權(quán)為基礎(chǔ)的模板匹配模型。通過特征加權(quán)方法的應(yīng)用，能夠?qū)ψ址P數(shù)做全新的分配處理，根據(jù)權(quán)重對其順序做出排列，其中權(quán)重較高者集中在中心位置，相比之下權(quán)重較低者則普遍分布在邊緣處，此時(shí)樣本模板與標(biāo)準(zhǔn)模板可高效匹配，再借助預(yù)設(shè)的模糊識(shí)別規(guī)則，完成相應(yīng)的識(shí)別操作。識(shí)別流程中，針對各字符做加權(quán)處理，得益于此方式，可有效提高識(shí)別率。

（2）采用以特征塊為基礎(chǔ)的模板匹配模型。針對模板采取切割處理措施，由此得到大小具有一致性的方塊，再確定各自所包含的點(diǎn)，完成對標(biāo)準(zhǔn)模板的匹配操作。需注意的是，此處所提的字符在執(zhí)行匹配操作前便經(jīng)過了深度的改造處理，因此產(chǎn)生的特征模塊數(shù)量較少，相比于前述方法而言，其工作量有所精簡，在效率方面的優(yōu)勢更為突出。

1.4 基于不變矩的圖像匹配

基于不變矩的圖像匹配包含多種形式的畸形不變性，是高度濃縮的圖像特征。在識(shí)別與匹配工作中，圍繞圖像輪廓和檢測模板兩部分展開對比分析，向其中增添遺傳算法，通過旋轉(zhuǎn)、平移等方法的應(yīng)用，完成對圖像的匹配操作。在該方法之下，所創(chuàng)造的綜合應(yīng)用效果明顯優(yōu)于常規(guī)算法。

2 模板匹配序貫相似性檢測算法（SSDA）

在數(shù)字圖像中，依托于如下所提的公式（1）展開計(jì)算，確定在點(diǎn)(i,j)時(shí)的非相似度m(i,j)，將其視為匹配尺度。

圖1

圖2：匹配圖像

圖3：模板處理

在(i,j)處的圖像中，若存在與模板相同的圖案，此時(shí)的顯著特征在于(i,j)值明顯較小，若不存在則有該值較大的特點(diǎn)。在作加法時(shí)，著重考慮的是灰度差的絕對值的和，將其與特定的閾值展開對比分析，若前者偏大，則說明該位置無與模板相同的圖案，為進(jìn)一步做出判斷，將會(huì)轉(zhuǎn)至下一位置，繼而按照相同的方法計(jì)算m(i,j)。按照該流程以富有秩序性的方式推進(jìn)，可以有效縮短計(jì)算時(shí)間，以較高的效率完成匹配操作。

沿著前述所提SSDA 算法的運(yùn)用思路，在原有基礎(chǔ)上加以優(yōu)化，以期提高該方法的可行性。對此，對圖像上的模板移動(dòng)做出劃分處理，按順序操作。首先為粗檢索，將模板與圖像重疊（每隔若干個(gè)像素），經(jīng)計(jì)算后確定該匹配的尺度，此操作的作用在于可確定待尋找圖案的初步范圍；隨后進(jìn)入細(xì)檢索環(huán)節(jié)，進(jìn)一步精準(zhǔn)鎖定待尋找圖案的位置，操作方法為模板每隔1 個(gè)像素移動(dòng)1 次（相比于粗檢索而言，模板移動(dòng)的頻率有所增加），由此便可得到具體的位置。

可以發(fā)現(xiàn)，在該改進(jìn)后的SSDA 方法中，模板匹配的次數(shù)明顯減少，但也存在局限之處，即有可能漏掉圖像中最合適的位置。針對此問題，以VisualC++610 為平臺(tái)，組織開發(fā)工作，生成一套數(shù)字圖像處理程序，在其支持下，能夠完成模板匹配運(yùn)算操作，在提高識(shí)別效率的同時(shí)避免圖像遺漏的情況。

其中，圖1 中(a)為原圖,(b)為待匹配的模板,(c)為匹配后模板在原圖中的位置（可以高效地與原圖展開對比分析）。

3 其它的模板匹配快速算法

匹配算法的總計(jì)算量取決于兩方面因素，具體可利用如下關(guān)系式加以表示：總計(jì)算量=（選擇算法的計(jì)算量）×（搜索位置數(shù)）。根據(jù)此特點(diǎn)，可以探尋除了前述所提內(nèi)容之外的一些其他具有可行性的方法，具體做如下分析。

3.1 相關(guān)算法

關(guān)于兩個(gè)函數(shù)的相關(guān)性，可用式（2）予以表示：

式中：f*為f 的復(fù)共軛；F(u,v)和H(u,v)分別為f(x,y)和h(x,y)的傅立葉變換。

依托于卷積理論，可以對前述公式做進(jìn)一步的延伸，具體如下：

卷積的重要性在于其在空間域過濾和頻率域過濾間扮演著“中間聯(lián)系者”的角色，是實(shí)現(xiàn)匹配的基本前提。具體而言，在匹配工作中，f(x,y)指的是某特定的圖像，若要對f 進(jìn)行分析以便判斷其是否含有感興趣的物體，則需要引入h(x,y)，將其視為該物體（此處將該圖像稱為模板），若能夠成功匹配，兩函數(shù)的相關(guān)值會(huì)在h找到f 中相應(yīng)點(diǎn)的位置上達(dá)到最大。

結(jié)合前述分析，相關(guān)算法含兩種細(xì)分的方法，即在空間域或頻率域均可以進(jìn)行。其中，圖2(a)呈現(xiàn)的是大小為M×N 的圖像；圖2(b)呈現(xiàn)的是尋找與J×K 相匹配的子圖，即w(x,y)。具體相關(guān)關(guān)系可利用如下公式表達(dá)：

在兩種方法的選擇中，可以在頻域中實(shí)現(xiàn)相關(guān)算法。

選取基準(zhǔn)圖和實(shí)時(shí)圖，將兩者做二維離散傅立葉變換。

關(guān)于基準(zhǔn)圖的變換結(jié)果，如下：

式中，u 和v 分別對應(yīng)的是j 和k 方向的頻率變量。

關(guān)于實(shí)時(shí)圖的變換結(jié)果，如下：

3.2 幅度排序相關(guān)算法

分階段完成算法的相應(yīng)操作：首先，從實(shí)時(shí)圖中提取灰度值，以幅度為依據(jù)加以排序，再于該基礎(chǔ)上完成二進(jìn)制編碼操作，此時(shí)可以實(shí)現(xiàn)對實(shí)時(shí)圖的變換處理，即形成集合{Cn,n=1,2,…,N}；隨后，在確定前述各類二進(jìn)制序列后，將其與基準(zhǔn)圖進(jìn)行相關(guān)，全程遵循“由粗到細(xì)”的基本原則，在循序漸進(jìn)的工作方式下，可從中確定合適的匹配點(diǎn)。

3.3 主要問題分析及對應(yīng)的解決辦法

前述所提的模板匹配方法均建立在理論環(huán)境中，在理論層面具有高度的可行性，而就實(shí)際應(yīng)用情況來看，其潛在諸多干擾因素，例如多類噪聲均會(huì)對圖像（模板）造成干擾。但在該過程中若模板受到外部因素的干擾，正常工作機(jī)制將難以有效運(yùn)行，會(huì)嚴(yán)重影響正常識(shí)別進(jìn)程，因此需針對該部分采取預(yù)處理措施，最大限度消除干擾。在此條件下，假定圖像中有噪聲，則其矢量表現(xiàn)形式為：

式中，f 為確定性圖像，n 為噪聲，fu為實(shí)時(shí)圖像。在具體分析中，需要著重考慮噪聲n 的產(chǎn)生機(jī)制以及具體的成因，再消除該部分噪聲。從實(shí)際環(huán)境來看，n 的情況較多，為精準(zhǔn)分析以及消噪，則必須明確具體的成因，據(jù)此設(shè)計(jì)濾波器m，利用該裝置完成對實(shí)時(shí)圖像的過濾處理，進(jìn)而達(dá)到消除噪聲干擾的效果。假定f0=mfu,在該關(guān)系式中，最佳狀態(tài)是f0 盡可能接近f，在此條件下展開匹配運(yùn)算。而為了完成前述所提的一系列操作，則需要針對圖像采取增強(qiáng)、平滑及復(fù)原處理措施。

關(guān)于受污染的模板，如圖3(a)所示。結(jié)合圖中內(nèi)容展開分析，在噪聲的污染作用下，模板的匹配精度受到影響，其難以精準(zhǔn)匹配至原圖相應(yīng)的位置處。針對受污染模板采取還原與增強(qiáng)操作后，得到全新的圖像，具體如圖3(b)所示，可以發(fā)現(xiàn)，此時(shí)模板的總體狀況得到顯著的改善，可以精準(zhǔn)地匹配至原圖對應(yīng)的位置。圖3 中，在探明噪聲干擾的具體作用機(jī)制后，可采用濾波的方法加以處理，使模板復(fù)原。然而，此類濾波器m 的設(shè)計(jì)難度較大，因此也是阻礙模板匹配發(fā)展的關(guān)鍵因素。在該背景下，應(yīng)當(dāng)探尋適用于模式識(shí)別的更為可行的發(fā)展路徑，縱觀現(xiàn)有技術(shù)水平以及實(shí)際發(fā)展成果可以得知，以自適應(yīng)控制、模糊邏輯、神經(jīng)網(wǎng)絡(luò)較為典型，其均是綜合應(yīng)用效果較為良好的數(shù)學(xué)模型建立方法，在模板匹配技術(shù)的數(shù)學(xué)模型建立工作中可靈活應(yīng)用特定的方法。

4 結(jié)語

綜上所述，通常而言，模板匹配的識(shí)別能力較強(qiáng)，但該特性并不具有絕對性，即在部分干擾較嚴(yán)重的環(huán)境中將出現(xiàn)模板匹配識(shí)別不適用的情況，或是在模板改動(dòng)時(shí)也存在此類情況。因此，需深入剖析，選擇更為可行的數(shù)學(xué)工具，例如通過自適應(yīng)控制、模糊邏輯、神經(jīng)網(wǎng)絡(luò)等方法的應(yīng)用，建立科學(xué)的數(shù)學(xué)模型，諸如此類技術(shù)均是模式識(shí)別領(lǐng)域的重要發(fā)展方向。在后續(xù)的發(fā)展中，應(yīng)當(dāng)圍繞模板匹配做更為深入的研究，夯實(shí)理論基礎(chǔ)，提高對先進(jìn)方法的應(yīng)用水平，進(jìn)而建立更為可行性的數(shù)學(xué)模型。