第10章-模板匹配与模式识别技术.ppt

《第10章-模板匹配与模式识别技术.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第10章模板匹配与模式识别技术10.1模板匹配10.2统计模式识别10.3结构模式识别法10.4人工神经网络识别法10.1模板匹配10.1.1模板匹配的原理模板：待识别目标的标准图像，也称为样板。例如：汽车牌照识别中使用的部分模板图像：模板匹配：将模板放在图像上滑动；每滑动一个像素点，求重合区域的相关度（相似程度）；当相关度达到最大时，模板下面的图像就是待识别的目标。模板t(i,j)相关度：设：原图像为f(x,y)，尺寸为M×N。模板图像为t(i,j)，－m≤i≤m,－n≤j≤n。定义：t(i,j)与f(x,y)在(x,

2、y)处的相关度R(x,y)为：相关度的值在0~1.0之间。相关度为1.0表示完全相同.ijn－n－mm为消除平均灰度的影响，应先作如下处理：从f(x,y)中减去平均灰度:从t(i,j)中减去平均灰度:其中，F为模板下面图像的平均灰度;T为模板图像的平均灰度。于是，相关度公式变为：对目标图像灰度规范化或写为：对样板图像灰度规范化简写为：滑动模板匹配算法：将各个模板规范化；Rm=0；for(x=m;x

3、在(x,y)点的相关度R；if(Rm

4、的大小、旋转、错切矫正良好，则对模糊、污损字符也能较好地识别。10.1.2模板匹配方法的改进问题：模板匹配计算量很大：模板数量多。例如：汽车牌照识别中，有上百个（字符、汉字）；在每一像素位置都要计算一个相关度。解决办法：（1）SSDA方法——序贯相似性检测法在求相关度之前，先求模板与图像之间的灰度差：若D(x,y)较大，则该位置不可能是目标。否则，该位置可能是目标，再进一步计算相关度。因为差值计算量较小，且大部分位置不存在目标，故速度大大提高。（2）两步检测法——先粗检测，再精检测。每隔几个像素检测一次，目标一般在相关度

5、较高的位置附近。再在相关度较高的位置附近进行精检测。（3）边缘匹配法应采用边缘型模板。先抽取图像的边缘。在相关度计算时，仅考虑边缘点。因边缘点较少，故计算量大大减少。（4）局部匹配法先对模板上的一部分作匹配。当匹配程度较高时，再考虑全部模板匹配。否则放弃。10.2统计模式识别10.2.1统计模式识别的基本思想（1）生成样本库特征参数提取输入样板图像特征参数优化得到样本库，备用。每个样板图像都有一组特征参数。（2）对待识别的目标图像，按同样的算法，得到优化后的特征参数特征参数提取输入待识别图像特征参数优化得到一组特征参数提

6、取特征参数输入样板图像特征参数优化（3）设计一个分类器，对待识别图像分类，判别待识别图像的特征参数属于样本库中的哪一个。提取特征参数输入待识别图像特征参数优化分类器识别结果特征参数是表征图像的一组参数，例如，下列参数可作为特征参数：Hu矩组：(M1,M2,M3,M4,M5,M6,M5)对图像作傅立叶变换得到的主要系数：(F00,F01,F02,F03,F10,F11,F12,F13,F20,F21,F22,F23,F30,F31,F32)图像的傅立叶描述子：(a0,a1,a2,a3,a4,a5,b1,b2,b3,b4,b

7、5)……样板图像的特征参数称为样本。不同的样板图像有不同的样本值。通过提取特征参数，使表示图像的数据大大减少。10.2.2特征参数提取10.2.3特征参数优化（1）特征参数选择从m个特征参数中，选出n(n

8、去掉l2较好。因l3中的数据有较大的熵。l5是孔数（2）特征参数变换特征参量实际上是一个多维空间的矢量。记为例：上例中，剩下的4个特征参量记为：这是4维空间的矢量。每个样本对应此4维空间的一个矢量。对于字符“0”，X=（2,2,2,2,1)由线性代数可知，可以通过线性空间的线性变换，使这10个样本矢量之间的相关性减少