趙柏山，肖乃瑤，張學松

　　（沈陽工業大學 信息科學與工程學院，遼寧 沈陽 110000）

        摘要：圖像匹配對于工具識別過程具有重要意義，傳統的圖像匹配算法匹配過程復雜導致匹配速度慢，在實際應用中有局限。為了提高工具識別的效率，通過分析工具圖像特征，設計出一種基于Harris角點特征的圖像匹配方法進行工具識別。首先用Harris算法提取工具模板圖像與搜索圖像角點特征，然后使用歸一化互相關匹配算法計算工具模板圖像與搜索圖像角點特征的相關值，進而確定匹配點對，最后采用RANSAC去除錯誤匹配點對。通過實際數據驗證，基于Harris角點特征的圖像匹配方法與傳統方法相比，不僅識別速度快，魯棒性好，而且在實際工程應用中更具適用性。

　　關鍵詞：圖像匹配；工具圖像特征；工具識別；Harris角點特征；歸一化互相關

　　中圖分類號：TP391文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.06.014

　　引用格式：趙柏山，肖乃瑤，張學松. 基于Harris角點匹配的工具識別方法［J］.微型機與應用，2017,36（6）：43-45,50.

0引言

　　*基金項目：遼寧省教育廳一般研究項目（L2014053）圖像匹配［1］是指在空間上相同對象的兩幅或更多幅圖像的配準。圖像匹配的技術過程稱為圖像匹配。圖像匹配是應用非常廣泛的圖像處理技術，圖像匹配在地圖與地形分析、醫學圖像研究、機器人視覺等多領域有重要的應用價值，國內外很多學者在圖像匹配方面也做過很多研究，其研究對象各不相同，至于工具的識別方面，尚未有一種普遍使用的方法解決其匹配問題。

　　近些年來圖像匹配算法始終是人們探究的熱點，通常圖像匹配的方法［26］可以分為兩大類：基于灰度的圖像匹配方法和基于特征的圖像匹配方法。經典的灰度圖像匹配方法有：序貫相似性檢測（Sequential Similarity Detection Algorithm，SSDA）和對應像素差的平方和（Sum of Square Difference，SSD）等?；诨叶鹊膱D像匹配方法具有精度高的優點，但是匹配速度慢，對灰度變化、旋轉、縮放十分敏感?；谔卣鞯膱D像匹配方法有兩個重要的環節：特征提取和特征匹配，可以選取的特征包括：點、線、與區域，其中點特征最常用，經典的點特征提取算法有：Harris算子［7］、SUSAN算子［8］和Canny算子［9］等?；谔卣鞯膱D像匹配方法可以改善基于灰度的圖像匹配方法的缺點，從而在圖像匹配方面得到了廣泛的應用。

　　本文通過分析工具圖像特征，采用基于Harris的算法進行角點的提取并用歸一化互相關匹配算法進行工具匹配識別，該方法有效地提高了工具識別的效率。

1基于Harris角點的工具識別

　　1.1工具圖像特征分析及角點提取方法

　　迄今為止，圖像特征還沒有一個準確的定義。理想的圖像特征描述符應該是：可區分、豐富以及高辨別率等。在工具識別匹配過程中，工具圖像有如下特征：

　　（1）背景簡單；

　?。?）形狀特征信息豐富；

　　（3）角點特征明顯。

　　角點信息中包含了大量內容豐富的局部特征和形狀特征信息，在角點提取過程中提取方法較多，常用的方法有Moravec算子、Harris算子等。

　　Harris角點提取算法由HARRIS C和STEPHENS M于1988年提出,是對Moravec角點提取算法的擴展。Moravec角點提取算法由于沒有對圖像進行抗噪處理，所以不能找到所有的角點，對噪聲特別敏感。Harris算子是根據圖像角點處的自相關函數的關系測試的。而局部圖像的灰度變化程度也是通過自相關函數描述的，如下公式所示：

　　E(x,y)=∑w(u,v)［f(x+u,y+v)－f(u,v)］2(1)

　　式中，w(u,v)表示工具特征圖像窗口，E(x,y)表示由于工具特征圖像窗口移動而造成的圖像灰度的變化，f則表示圖像的平均灰度值。由于微分算子可以顯示像素點各方向的灰度變化的特征，因此用微分算子再次定義公式能夠有效區分角點，公式（1）是在像素點(u,v)處展開，將E(x,y)推導成泰勒多項式的形式：

　　E(x,y)=∑w(u,v)［xX+yY+O(x2,y2)］2

　　=Ax2+2Cxy+By2(2)

　　上式中的A,B,C系數可以分別看作是二階方向微分的近似值。Harris算子利用高斯函數對圖像先進行平滑處理以提高抗噪能力，即算子的檢測窗口采用的是高斯函數，在上面平滑操作的基礎上再根據以下公式提取角點，即：

　　w(u,v)=exp(－12(u2+v2)/σ2)(3)

　　A=X2w,B=Y2w,C=(XY)w(4)

　　Harris角點提取算法的響應函數定義為：

　　R=Det(M)－κ(Tr(M))2=AB－C2－κ(A+B)2(5)

　　其中，Det(M)表示矩陣的行列式，Tr(M)表示矩陣的跡；κ為默認常數，通常取值為0.04。R為角響應函數值，R值越大，則該像素點的位置是角點的可能性越大，如果R值較小，則該像素點應該對應圖像的工具或背景區域。

　　1.2工具識別

　　為了實現工具的快速匹配識別，并且體現工具圖像特征在匹配過程中的應用，本文采用歸一化互相關算法進行工具圖像匹配識別。歸一化互相關算法是一種經典的匹配算法，其主要應用于基于灰度的模板匹配，通過計算模板圖像與匹配圖像兩個圖像的相關值，來確定匹配程度。本文將此算法用于計算工具模板圖像提取的角點特征與工具搜索圖像提取的角點特征的相關值，從而確定匹配點對。工具圖像匹配識別的大體步驟如下：

　　(1)對工具模板圖像與搜索圖像進行均值濾波處理。

　　(2)利用步驟(1)中結果，產生歸一化互相關矩陣。

　　(3)根據產生的歸一化互相關矩陣，計算工具模板圖像中一角點與工具搜索圖像一角點的相關值及相應索引。

　　(4)判斷步驟(3)中結果，如果兩圖像對應角點索引一致，則為一對初始匹配點。

　　(5)重點步驟(4)求出一一匹配點。

　　經過上述角點匹配后，可以找出所有匹配的角點對，其中包括正確的匹配點對與錯誤的匹配點對，為了提高工具圖像的匹配精度，利用RANSAC算法對工具圖像特征點對去除錯誤匹配點對，從而提高匹配正確率。

2工具識別實驗結果

　　本文的實驗環境為CPU Intel Core i3370，主頻2.93 GHz，內存2 GB，操作系統Windows 7旗艦版，開發環境為MATLAB 7.0。

　　為了驗證基于Harris角點特征的圖像匹配方法的有效性、適用性及合理性,分別對不同工具圖像進行多次匹配實驗，本文選取了部分典型實驗結果，如圖1、圖2和圖3。每幅圖中（a）為工具搜索圖像角點提取圖，（b）為工具圖像匹配結果，左邊是工具模板圖像，右邊為工具搜索圖像。

　　圖1為工具（鉗子）圖像角點提取及匹配結果，驗證了本文方法的有效性；圖2為加椒鹽噪聲的工具（扳子）圖像角點提取及匹配結果，驗證了本文方法的適用性；圖3為兩個不同工具圖像匹配失敗結果，與前者對比，驗證了本文方法的合理性。工具圖像匹配數據如表1。

　　本文還應用基于灰度的傳統算法進行工具識別，主要是與本文方法進行對比比較。表2為工具圖像分別應用傳統算法和本文算法進行50次匹配的實驗數據。

3結論

　　本文介紹了基于Harris角點特征的匹配方法，經過以上實驗結果分析，證明了與傳統算法相比，本文算法在同樣匹配精確度下有更快的速度，對含有噪聲的工具圖像匹配問題同樣具有適用性并且也能很好地進行檢測與匹配。與此同時，本文算法也存在局限性，當模板工具圖像角點特征不明顯時，也可能導致匹配失敗，在今后的研圖3不同工具圖像角點提取及匹配失敗結果

　　究中還應逐步改進,以進一步提高實時性。

參考文獻

　?。?］ 王志明， 殷諸成， 曾慧. 數字圖像處理與分析［M］. 北京：清華大學出版社， 2012.

　?。?］ 趙啟. 圖像匹配算法研究［D］. 西安：西安電子科技大學， 2013.

　?。?］ BROWN L G. A survey of image registration techniques ［J］. Southern Economic Journal, 1950, 17(1):20-24.

　?。?］ 桑智明. 幾種基于灰度的圖像匹配算法研究［D］.天津：南開大學，2011.

　?。?］ 陳天華. 基于特征提取和描述的圖像匹配算法研究［D］. 廣州：廣東工業大學， 2016.

　　［6］ Wu Yue, Ma Wenping, Gong Maoguo, et al. A novel pointmatching algorithm based on fast sample consensus for image registration［J］. IEEE Geoscience & Remote Sensing Letters, 2015, 12(1):43-47.