[發明專利]一種模糊異譜圖像的模板匹配識別方法

有效

• 申請號: 201710600227.3
• 申請日: 2017-07-21
• 公開（公告）號: CN107463954B
• 公開（公告）日: 2019-10-25
• 發明（設計）人: 肖陽;馮晨;曹治國;熊拂
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種模糊異譜圖像的模板匹配識別方法，主要針對三維投影模板圖像和紅外實時圖像的異譜匹配問題。方法先搜集紅外圖像和大量可見光圖像，利用基于可見光圖像訓練的卷積神經網絡作為特征提取器，結合難例挖掘機制迭代訓練面向單個正樣本的樣例支撐向量機，從而利用樣例支撐向量機遍歷紅外實時圖像進行模板匹配識別。本發明提供的這種模糊異譜圖像的模板匹配識別方法，有效地融合了遷移學習和特征選擇機制，基于數據驅動有針對性地遷移了可見光圖像域的知識，并且通過特征模式判別分析削弱了判別能力不強的特征在模板匹配識別中所起的作用，為模板匹配識別引入了參數化的解決方案。

技術領域

本發明屬于數字圖像識別技術領域，更具體地，是一種針對模糊異譜圖像的模板匹配識別方法。

背景技術

在模板匹配識別問題中，考慮到時間、空間環境的約束以及采集設備的限制，通常需要用不同源的傳感器進行模板制備和實時圖像的攝取，比如采用三維投影進行模板制備，而采用紅外傳感器進行實時圖像掃描，而這種異譜段的圖像僅在輪廓上相似，細節上卻存在很大的差異。在采集實時圖像時，又容易由于鏡頭的虛晃或環境干擾而造成采集圖像的模糊。異譜段和模糊現象給模板匹配識別任務帶來了諸多挑戰。

模板匹配識別按照工作原理的不同，主要可以分為傳統的非參數化的模板匹配識別方法和基于樣本學習的參數化模板匹配識別方法。

傳統方法基于像素灰度值或特征計算相關系數和最近鄰的思想從而進行模板匹配識別，這種方法在模板制備與保障條件好的情況下可以取得較好結果，而針對模糊異譜圖像的模板匹配識別問題，由于模板圖像與實時圖像的差異性，加之非參數化的方法對于待匹配的特征對等看待，不存在特征選擇的過程，保留諸多無用甚至有害的冗余特征，傳統方法存在諸多弊端；而參數化的方法主要基于機器學習，通過有監督訓練獲取具有較強區分能力的分類器來進行模板匹配識別，但由于特殊環境(異譜段、模糊)下可采集樣本質和量的限制以及模板圖像與實時圖像問存在的很大差異，基于樣本學習的參數化匹配方法采用較少，傳統的非參數化的模板匹配識別方法仍是常用方法。

由此可見，現有技術中非參數化方法中存在無法進行特征選擇、保留諸多無用甚至有害的冗余特征的技術問題，現有技術中參數化方法存在難以針對處于異譜段、加有模糊的小樣本進行參數化學習的技術問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種模糊異譜圖像的模板匹配識別方法，其目的在于結合深度學習、單樣例支撐向量機和難例挖掘機制進行可見光圖像的知識遷移，從而獲得具有特征選擇能力的面向單正樣本的參數化的二分類學習模型，由此針對現有技術中非參數化方法中存在無法進行特征選擇、保留諸多無用甚至有害的冗余特征的技術問題，以及現有技術中參數化方法存在難以針對處于異譜段、加有模糊的小樣本進行參數化學習的技術問題，提供了一個有效的解決方案。

為實現上述目的，按照本發明的一個方面，提供了一種模糊異譜圖像的模板匹配識別方法，包括：

(1)獲取樣本圖像，對樣本圖像進行模糊處理得到訓練樣本，訓練樣本包括正樣本和負樣本，正樣本為單個三維投影模板圖像，負樣本為紅外圖像和若干可見光圖像，此處的訓練樣本針對ESVM訓練；

(2)獲取基于大型可見光圖像數據集訓練的CNN模型，去掉已經訓練好的CNN模型的全連接層，得到目標CNN模型；

(3)將正樣本輸入目標CNN模型，得到特征圖層，對特征圖層進行處理得到正樣本的特征描述；

(4)利用正樣本圖像的特征描述初始化ESVM模型的權值向量；

(5)從負樣本中抽取與正樣本特征描述維度相同的負樣本特征描述集合；

(6)將正樣本特征描述和負樣本特征描述集合輸入ESVM模型，結合難例挖掘機制迭代訓練ESVM模型，更新ESVM模型參數，直至模型達到穩定狀態，得到最終的ESVM分類器；