王奕然
沈阳化工大学信息工程学院
辽宁省沈阳市 110000
摘 要
摘要：针对模板匹配算法容易受到显著尺度变化，遮挡等因素影响的问题，文本提出了基于豪斯多夫距离改进的模板匹配算法。该算法先对模板图像进行尺度变换，在进行计算DDIS同时，引入目标点与模板点之间的修正Hausdorff距离（MHD）进行加权，最后调整模板区域点与目标区域点外观属性的矢量化RGB值的大小。实验结果表明，该算法能够有效的减少干扰点的权重，在遮挡，旋转，显著尺度变换下有较高的鲁棒性。
关键词： 模板匹配；hausdorff距离;DDIS; 矢量化RGB值
1.引言
模板匹配是模式识别领域中的一项重要的研究内容。一般来说，为了在目标图像中检测出已知模板图像位置，必须要给出源图像的模板区域和目标图像的GT（真实区域）。模板匹配的算法通过提取图像的像素，边缘，梯度等作为特征，进行数据的预处理后再与目标图像匹配。
本文提出了一种基于hausdorff距离改进的DDIS模板匹配算法，先对模板图像进行尺度变换，再计算DDIS相似性的同时，加入修正Hausdorff距离（MHD）对目标区域点进行加权，并调整模板区域点与目标区域点外观属性的矢量化RGB值的大小。首先，DDIS的最大问题在于模板图像与目标区域的尺度不一致时准确度较低，本文对模板图像进尺度变换，大幅度提高了尺度不一致时的准确度。其次，Hausdorff距离能够很好的度量两个有限点集之间的相似性，并且有很强的鲁棒性。本文采样的改进Hausdorff （MHD）距离与原Hausdorff距离相比，在两幅图像相似度高时有较小的值，在相似度低时有较大值，因此在模板匹配中有更强的判别能力。最后，本文通过调整模板区域点与目标区域点外观属性的矢量化RGB值的大小，在一定程度上提高了匹配的准确度。
2.模板匹配算法
2.1 DDIS算法
.png)
DDIS是基于目标点和模板特征点之间最近邻域的两个属性，在形变，遮挡等复杂情况下引入的一种模板匹配算法。与传统算法相比，该算法有较高的准确度和鲁棒性，但缺点是解决处理匹配对象的显著尺度变换的问题。
2.2.1 改进的DDIS
Hausdoff距离是定义于两个点集上的最大最小距离，反映了两点集的不匹配程度，Hausdorff 距离越大，两个集合相差越远，距离越小，则两个集合相似度越高。
本文首先通过上采样或下采样改变模板图像尺度，使得模板图像与GT大小一致，其次引入MHD对相似性进行加权，最后调整模板区域点与目标区域点外观属性的矢量化RGB值的大小，进一步提高匹配正确率。
本文算法有以下几个特点：
.png)
1）对模板进行尺度变换，可以改善尺度变换问题；
2）用MHD对原相似性进行加权，可以减少目标区域中遮挡，背景，相似目标的干扰点；
3）DDIS默认外观属性的矢量化RGB值的大小为3*3，根据不同尺度图像，采样不同的块大小，可以小幅度提升匹配的正确率。
3.实验结果分析
本文算法在遮挡，显著尺度变换，相似目标干扰的情况下比DDIS有更强的鲁棒性。DDIS算法基于是块到块的相似性，当发生显著尺度变化时，块的相似度会受到干扰，导致匹配失败。本文通过模板尺度变换，MHD加权运算，调整块大小这三个方面，有效的改善了DDIS算法的不足。
4.总结
本文所提出的一种基于hausdorff距离改进的尺度变换DDIS算法：对模板进行尺度变换；用MHD对原相似性进行加权；根据不同尺度图像，采样不同的块大小。实验结果表明，在目标区域发生遮挡，旋转，显著尺度变化的情况下，MDDIS有较好的鲁棒性。
参考文献：
[1] T. Dekel, S. Oron, M. Rubinstein, S. Avidan, and W. T. Freeman. Best-buddies similarity for robust template matching.In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2021–2029, 2015.
[2]Oron S, Dekel T, Xue T, et al. Best-buddies similarity—robust template matching using mutual nearest neighbors[J]. IEEE transactions on pattern analysis and machine intelligence, 2018, 40(8): 1799-1813.
[3] Talmi I, Mechrez R, Zelnik-Manor L. Template matching with deformable diversity similarity[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 175-183.