摘要：介紹一種優(yōu)化的快速模板的匹配算法，可實現(xiàn)目標實時提取、識別和跟蹤，并成功應用于紅外熱成像跟蹤技術的研究，解決了復雜背景條件下目標跟蹤穩(wěn)定度差的技術難點。該算法用Visual C++編寫，可方便地移植到其它操作平臺或嵌入式系統(tǒng)。
紅外熱成像跟蹤技術是一種被動式目標檢測、跟蹤技術，用于對紅外視頻信號進行目標檢測、提取和跟蹤。對比度特征鑒別是比較常用的目標提取方法。它無法記憶、識別目標形態(tài)特征，在復雜背景下提取效果、跟蹤穩(wěn)定性較差。而模板匹配算法以目標特征數(shù)據為模板，在搜索區(qū)域里尋找匹配點，即以目標形態(tài)特片為判據實現(xiàn)目標檢索和跟蹤。即便在復雜背景狀態(tài)下，跟蹤靈敏度和穩(wěn)定度都極高，非常適用于復雜背景下的目標跟蹤。
模板匹配算法由于計算量龐大，應用成本較高。經過多方優(yōu)化、簡化后，可用工控機實現(xiàn)實時模板匹配處理。在沒有增加成本、耽誤工程進度的前提下，增強了復雜背景下的跟蹤靈敏度和穩(wěn)定度，提高了產品的綜合競爭能力。為模板匹配算法的低成本應用開壁了一條新路。
本文介紹的模板匹配算法在Windows 2000下用Visual C++編制，可方便地移植到多種操作平臺。
1 模板匹配原理
模板匹配是數(shù)字圖像處理的重要組成部分之一。把不同傳感器或一傳感器在不同時間、不同成像條件下對同一景物獲取的兩幅或多幅圖像在空間上對準，或根據已知模式到另一幅圖中尋找相應模式的處理方法就叫做模板匹配。
假設要在搜索區(qū)域中尋找與模板圖像相關程度最大的位置，可以通過模板匹配來計算兩者的相關程度。圖1是模板匹配算法的示意圖。假設模板（b）疊放在搜索圖(a)上平移，模板覆蓋下的部分記作子圖Si,j，其中i,j是這塊子圖的左上角像點在S圖中的坐標。從圖1中可得出i,j的取值范圍：1≤i≤K-M+1、1≤j≤L-N+1。
衡量模板T和子圖Si,j的匹配程度，可用下列兩種測度：
或者
展開前一個式子，有：
?。?）式右邊的第三項表示模板的總能量，是一個常數(shù)，與(i,j)無關。第一項是模板覆蓋下那塊子圖像的能量，它隨(i,j)位置而緩慢改變。第二項是子圖像和模板的互相關函數(shù)，隨（i,j）變化而迅速改變。模板T和子圖Si,j匹配時這一項的值最大，因此可用下列相關函數(shù)來反應匹配程度：
或者歸一化為：
2 建立數(shù)學模型
2.1計算公式
模板匹配算法計算模板和匹配區(qū)域的相似程度，以最相似位置為匹配點。由于模板需要在匹配區(qū)域上逐次匹配，運算量很大。所以選擇匹配公式對整個匹配的效率有極大的影響。
工控機的數(shù)據處理能力有限，需要針對紅外熱成像跟蹤技術的特點來簡化數(shù)學模型，選定計算量最小的計算公式。目標跟蹤算法用來確定目標位置，可以用匹配誤差的相對大小作為目標判別的依據，誤差最小的位置就是目標位置，需要考慮絕對相似程度。
公式（1）～（5）都能夠真實反應模板的相對匹配程度，選擇計算量最小、效率最高的公式（1）作為原始數(shù)學模型。匹配點位置算法完成整個匹配區(qū)域內的小匹配誤差點檢索，表示為公式（6）：
變量K、L為匹配區(qū)域尺寸；M、N為模板尺寸。
2.2 模板尺寸
模板尺寸對系統(tǒng)性能和計算量的影響不容小覷。模板過大導致動態(tài)特性變差；過小又會減少目標的特征數(shù)據量，降低匹配的敏感程度，增大目標檢測難度。實際操作中，模板尺寸設置為32×16時的效果非常理想。
2.3 匹配區(qū)域
不同的應用環(huán)境下，對匹配區(qū)域和實時性要求也不盡相同。光電探測設備需要在視頻圖像采集周期內(20ms)完成數(shù)據實時處理。由于目標在兩場視頻圖像之間的移動量較小、特征變化不大，匹配區(qū)域可以大大縮小。
匹配區(qū)域太小會導致目標動態(tài)特性變差，過大又會導致計算量大幅度增加，具體選擇需要權衡設備參數(shù)來決定。由于CCIR制式視頻信號是隔行掃描，系統(tǒng)出于實時性考慮，數(shù)據以場為單位處理，導致圖像比例為2:1狀態(tài)。為了保持水平、垂直方向的動態(tài)特性一致，圖像匹配區(qū)域也按2:1比例選擇。
在滿足實時性要求的情況下，選擇相對較大的匹配范圍，可提高設備的動態(tài)特性，從表1實測數(shù)據可以看出，選擇匹配區(qū)域100×50點、模板32×16點時，動態(tài)范圍為69×35，時間消耗為13ms。光電探測設備系統(tǒng)目標動態(tài)特性要求處理區(qū)域不小于40×20點?？梢娨陨线x擇可以很好地滿足動態(tài)特性和實時性要求。
表1 匹配區(qū)域與完全優(yōu)化處理時間對比表
*數(shù)據測試平臺為：PIII933CPU、256MB內存、Win2000操作系統(tǒng)
**數(shù)據是在加入算法優(yōu)化、模板尺寸為32×16的情況下獲取的。
3 數(shù)學模型優(yōu)化方法
數(shù)學模型結合選擇的模板和搜索區(qū)域大小，可以知道模板最佳匹配點計算公式如下：
由公式（7）可以看出，程序需要進行大量的循環(huán)計算，整體運算量仍然不小，需要進一步優(yōu)化，減少處理時間。運用如下優(yōu)化算法進一步減少實際運算量。
3.1 粗精匹配結合
觀察實際模板匹配運算結果可以發(fā)現(xiàn)，匹配點附近的匹配誤差迅速下降，有顯區(qū)別于其它位置。針對這一特點，采用粗精匹配結合的算法迅速鎖定匹配點大致區(qū)域，可大大降低整體匹配次數(shù)。
具體實現(xiàn)方法：先跳動著隔幾個點進行一次粗匹配，大致框定匹配區(qū)域，然后在附近區(qū)域逐一檢索獲得最佳匹配點。運算量可減少到三分之一以下，且目標提取效果相當好。
3.2 限制最大匹配誤差
因為只需找到最小匹配誤差的位置，不必完整計算每一位置的絕對匹配誤差，而以已經計算最小匹配誤差作為最大允許誤差。若計算誤差大于該最大允許誤差，就肯定不是最佳匹配點，可以提前結束計算，進入下一匹配位置的計算；如果匹配完成后仍小于最大允許誤差，就用當前誤差替換最大允許誤差，并把該點作為潛在的匹配位置記錄下來。
匹配點和非匹配點的誤差常常相差2～3個數(shù)量級。經過這種處理后，匹配點后剩余的計算量可以大大降低。
3.3 亂序匹配
目標出現(xiàn)在匹配區(qū)域中的位置不確定。不固定順序算法可以更快地檢索到匹配區(qū)域，迅速降低最大匹配誤差，減少剩余非匹配點的計算一，降低整體運算量。
針對光電探測設備的實際工作情況，在跟蹤狀態(tài)下，目標位移角速度和角加速度有限，導致目標常處于匹配區(qū)域中心附近。選擇由中心向周圍輻射匹配的方式效果最理想。
4 程序樣本
以下程序樣本綜合使用了上面的優(yōu)化算法，成功應用于紅外熱成像跟蹤技術的原理樣機，達到了預期效果。
該函數(shù)用于圖像模板匹配運算，適用于256灰度值的黑白圖像數(shù)據。
Deal_With:TemplateMatch(unsigned char* lpSource,LONGlWIDTh,LONG lHeight,unsigned char* lpTemplate,LONG lTemplateWidth,LONG lTemplateHeight，)
{
unsigned char* Source; //指向待處理圖像的指針
unsigned char*Template； //指向模板圖像的指針
int i,j,m,n; //循環(huán)變量
unsigned char lMaxWidth，lMaxHeigth，//匹配位置
unsigned long D; //相似誤差
unsigned long MaxD; //最大允許相似誤差
//粗相關
MaxD=0x10000000; //約定最大匹配誤差
for(j=0;j
for(i=0;i
D=0;
Source=(unsigned char *)lpSource+lWidth*j+i;
Template=(unsigned char *)lpTemplate;
for(n=0;n
for(m=0;m
D+=(*Source++-*Template++)*(*Source++-*Template++);
Source+=lWidth-lTemplateWidth;
}
if(D
MaxD=D;
lMaxWidth=i;
lMaxHeight=j;
}
}
}
//精相關
lMaxWidthExact=lMaxWidth;
lMaxHeightExact=lMaxHeight;
for(j=lMaxHeight-2;j<=lMaxHeight+2;j++){
for(i=lMaxWidth-2;i<=lMaxWidth+2;i++){
D=0;
Source=(unsigned char *)lpSource+lWidth*j+i;
Template=(unsigned char *)lpTemplate;
for(n=0;n
for(m=0;m
D+=(*Source++-*Template++)*(*Source++-*Template++);
Source+=lWidth-lTemplateWidth;
}
if(D
MaxD=D;
lMaxWidthExact=i; //x方向最佳匹配點位置
lMaxHeightExact=j; //y方向最佳匹配點位置
}
}
}
}
下載文檔
