论文部分内容阅读
目标匹配识别技术是数字图像处理和模式识别中的一个重要研究方向,无论在军事上还是在民用方面都有着重要的应用价值。该问题的有效解决,可以使自动目标识别和目标跟踪等相关任务得到有实效的推进。本文在简要分析自动目标识别技术的国内外研究现状基础上,对成像制导目标匹配识别技术中的几个关键技术问题进行了研究,主要包括:(1)如何有效地提取红外图像的边缘特征;(2)如何利用可变形模板匹配技术进行仿射变换条件下的目标识别;(3)如何对图像匹配的相似性进行度量;(4)如何降低匹配过程中的计算量,提高实时性。主要研究内容如下:
在红外图像的边缘特征提取研究中,针对红外图像边缘模糊、对比度差的特点,利用侧抑制网络的突出边框、增强反差的功能,构造了基于边缘可能性度量的自适应侧抑制网络,用于红外图像的增强。对图像增强后噪声也得到增强的缺陷,利用小波的多尺度分析功能有效地抑制噪声进而提取边缘。将侧抑制网络和小波变换有机结合,准确、有效地提取低对比度、低信噪比、边缘模糊的红外图像的边缘特征。
在变形模板匹配技术研究中,针对仿射变换条件下的几何变换,在对切距离的分析基础上,提出多分辨率迭代切距离的目标识别方法。识别过程中采用迭代的方法消除切距离的一阶近似,使求解的迭代切距离更逼近模板和实时图像的真实距离。同时,针对迭代过程收敛域小、容易陷入局部最优的缺点,将迭代切距离嵌入多分辨率框架,在物理层面上扩大了收敛域进而提高算法性能。所提出的多分辨率迭代切距离具有更高的不变性,提高了识别率。实验结果验证了算法的有效性,为几何变换下的目标识别提供了新的研究思路。
在图像匹配的相似性度量研究中,在对基于边缘特征图像匹配算法研究的基础上,提出引入黎曼度量的Hausdorff距离图像匹配识别方法。利用边缘点的灰度和邻域梯度信息构造边缘结构张量,用其对Hausdorff距离进行加权,改进了现有的Hausdorff距离匹配方法,增强匹配的容错性,较好地解决了传统Hausdorff距离匹配方法中因噪声点、伪边缘和光照变化造成的误匹配问题。
针对Hausdorff距离图像匹配方法计算量大的问题,提出基于增量群体学习(PBIL)搜索策略的Hausdorff距离图像匹配方法,该算法集成了基于函数优化的遗传搜索和竞争学习两种策略,具有较强的鲁棒性和并行搜索能力,因此能获得较快的收敛速度和理想的计算结果。该方法将进化过程视为学习过程,首先从一个均匀分布的初始概率出发,产生若干个随机的可行解种群,通过对可行解种群中的个体进行分析与评价获得知识,根据学习所获得的知识修正生成概率,进而指导后代的生成,在匹配速度得到保证的基础上,提高匹配的正确率。