论文部分内容阅读
图像识别匹配在很多领域都有重要的应用意义，如：医疗仪器中的样本检查分析、X射线摄像，自动化设备中的自动售货机、监控装置，工业检测中的零件尺寸检测、表面缺陷检测，军事上的导弹制导、目标跟踪、卫星侦察等。
但目前图像识别匹配的方法仍然存在许多问题，如：各种噪声干扰(光照、背景噪声等)对检测效果的影响，位移、旋转、尺度变化、扭转等物体自身的变换对检测的影响，部分方法实时性不足，不能在线更改需要匹配的物体等。
针对这些问题，本论文提出了一种快速的具有旋转不变性的物体检测图像匹配方法。该方法的优点主要在于：
1.对光照、背景噪声等噪声干扰有一定的鲁棒性。
2.具有旋转不变性，在物体发生旋转的变化情况下，识别效果与未旋转情况下相当。
3.在尺度变化、扭转等形变方面，本算法具有尺度变换且对微小形变(包括扭转等)具有有一定的鲁棒性。
4.采用快速的在线训练方法，与HOG(Histograms of Oriented Gradients)等离线训练方法相比较，能够在线更改视频中需要识别的物体，解决了HOG等离线训练方法不能在线更新需要识别的物体的问题。
5.具有低计算复杂性，能够应用于实时系统。
6.综合使用了形状特征与纹理特征。
本论文主要完成了以下工作：
1.阅读相关文献，对机器视觉、图像匹配等与本论文相关的知识概念、应用范围、常用方法、面临问题做了简要的介绍。
2.研究了图像的梯度特征、LBP(Local Binary Patterns)特征，将两种特征融合形成一种新型结合形状特征和纹理特征的模板特征。
3.设计了利用二进制位编码表示提出算法的模板特征的二进制位编码表示法。
4.设计了针对本论文模板特征的快速匹配相似度计算法则。
5.研究了在线训练的概念，并将该理念应用到本论文算法中。
6.整体上阐述了本论文提出的一种具有旋转不变性的在线训练快速图像模板匹配算法的原理。
7.搭建了实验平台，并编程实现了本论文提出的算法。
8.将本论文提出的图像模板匹配算法，扩展应用范围到视频处理中，且编程实现。
9.给出了本论文提出算法的实验结果及对实验结果做了分析，及与HOG算法做了相关比较。