论文部分内容阅读
模板匹配是机器视觉、图像和视频处理中一个基本的问题,即如何在给定图像里找出模板,其相关方法在生产质量控制、纹理合成、运动估计、物体检测、行为识别和图像降噪等各个方面,都有广泛地应用。然而,要设计出更好的快速模板匹配方法,仍是一项极富挑战性的工作。为此,本文对快速模板匹配方法进行了系统而深入的研究,并将它们应用到眉毛识别中。眉毛识别的基本思想是:人类眉毛可以作为一种独立的生物特征,以很高的概率确定出个人身份。它可以在虹膜采集困难时替代虹膜识别,或在人脸鼻子及以下部分被遮挡时替代人脸识别。但以往的眉毛识别方法均需要人为参与,且识别正确率低。将快速模板匹配方法应用到眉毛识别,可以实现识别方法的自动化,同时也利于提高识别的正确率。本文的主要创新研究成果有以下几个方面:(1)提出了一种快速正交Haar变换模板匹配算法虽然正交Haar变换模板匹配算法(OHT)使用图像的条形和获得了不错的表现,但它在计算每个Haar投影值时,仍需要3次运算。为此,通过建立正交Haar变换的严谨数学模型,本文借助方形和的概念,提出了一种快速正交Haar变换模板匹配算法(FOHT)。它使得每个Haar投影值的计算量由3次减法运算减少为1次,从而获得了更快的匹配速度。大量实验结果表明,在多数单模板匹配情况下,FOHT的匹配速度与OHT不相上下;而在多模板匹配时,FOHT的匹配速度总要快于OHT。(2)提出了一种拟Haar变换模板匹配算法由于OHT和FOHT要求被处理的模板必须是标准大小的,而实际应用中的模板多为任意尺寸,因此有必要将正交Haar变换发展成为拟Haar变换。同样建立了拟Haar变换的严谨数学模型,本文利用树分解的计算策略,使图像拟Haar投影值的计算量约减少为直接计算时的一半,并据此提出了一种拟Haar变换模板匹配算法(QHT)。大量实验表明,QHT能够以较高的效率直接处理任意大小的模板;并且某些情况下,它在处理标准模板时拥有比OHT更快的速度。(3)提出了一种新颖的匹配识别框架思想传统检测识别框架下的眉毛识别方法都需要人的参与,这给识别带来了不确定因素。为此本文提出一种新颖的匹配识别框架思想,它首先匹配出模板的最相似区域,然后通过判别距离的计算得出最终识别结果。大量实验表明,该框架能实现自动化程度较高的眉毛识别系统,同时实验也展现了眉毛识别替代人脸识别的可行性。此外,该匹配识别框架是一种通用的自动图像识别框架,它只需要替换眉毛模板,便能被用于其他基于图像的生物特征识别中。(4)提出了四种基于快速模板匹配的眉毛识别方法为了进一步提高眉毛识别的正确率和效率,本文将OHT、FOHT、QHT,以及梯度模板匹配算法(GTM)应用到眉毛识别中,分别得到四种新的眉毛识别方法。实验表明,这些眉毛识别方法的识别效率都很高,而且使用GTM的眉毛识别方法,在公开的BJUTED眉毛数据库上取得了98.12%的识别正确率,这是目前为止在该数据库上所取得的最高识别正确率。