0 引言

    近年來(lái)計(jì)算機(jī)技術(shù)快速發(fā)展，計(jì)算機(jī)智能為人們的日常生活帶來(lái)諸多方便。隨著人們需求的日益增長(zhǎng)，目標(biāo)檢測(cè)與定位逐步進(jìn)入到人們的實(shí)際生活中^[1，2]，隨著對(duì)人體動(dòng)作識(shí)別、人機(jī)交互技術(shù)的深入研究，計(jì)算機(jī)視覺系統(tǒng)也變得越來(lái)越智能。使用計(jì)算機(jī)進(jìn)行特征檢測(cè)、目標(biāo)跟蹤、目標(biāo)檢測(cè)及定位等技術(shù)得到了研究人員的廣泛關(guān)注，這些技術(shù)也開始應(yīng)用到人們的日常生活中。本文采用圖像局部控制核算法^[3]，實(shí)現(xiàn)了對(duì)不同目標(biāo)的快速檢測(cè)與定位。目前對(duì)于目標(biāo)檢測(cè)及定位問(wèn)題，有關(guān)研究人員提出了許多新穎的算法，但大多數(shù)算法需要進(jìn)行繁瑣的訓(xùn)練和預(yù)處理過(guò)程。如參考匹配法^[4]將隱馬爾科夫統(tǒng)計(jì)模型引入到目標(biāo)參考匹配，此方法的局限性是無(wú)法從圖像內(nèi)容來(lái)解釋并確定隱馬爾科夫模型的參數(shù)，只能通過(guò)一系列的實(shí)驗(yàn)來(lái)選擇最優(yōu)參數(shù)，這一問(wèn)題限定了圖像識(shí)別中隱馬爾科夫模型^[5]的進(jìn)一步應(yīng)用。還有一種多檢測(cè)目標(biāo)自動(dòng)定位監(jiān)測(cè)技術(shù)主要是基于圖像像素的單閾值分割法^[6]的運(yùn)用，此類定位方法過(guò)程繁瑣耗時(shí)。本文提出采用圖像局部控制核算法來(lái)對(duì)目標(biāo)進(jìn)行快速的配準(zhǔn)、檢測(cè)與定位^[7]。

1 算法描述

    本文采用局部控制核^[8]的方法，獲取圖像像素點(diǎn)的幾何結(jié)構(gòu)信息，提取出圖像的結(jié)構(gòu)特征，將目標(biāo)圖像分割成與目標(biāo)參考圖像大小一致的一系列子圖，參考圖像即為所需查找定位的目標(biāo)，最后分析包含圖像特征信息的數(shù)據(jù)矩陣之間的相似性來(lái)達(dá)到目標(biāo)檢測(cè)的目的。算法流程圖如圖1所示。

1.1 局部控制核函數(shù)LSK

    局部控制核函數(shù)(Local Steering Kernel，LSK）是在評(píng)估梯度的基礎(chǔ)上通過(guò)分析像素值的差異來(lái)獲取圖像的局部數(shù)據(jù)結(jié)構(gòu)，用所獲取的結(jié)構(gòu)信息確定核的形狀和大小，用徑向?qū)ΨQ函數(shù)來(lái)表示局部核函數(shù)，表達(dá)式如式(1)：

式中，n和n_T分別是在參考圖像Q和目標(biāo)圖像T中計(jì)算LSK所用到的子塊數(shù)目。

1.2 獲取主要數(shù)據(jù)特征（降維）

1.3 矩陣相似性判決準(zhǔn)側(cè)

    得到ρ_i以后，就可以分析參考圖像Q和目標(biāo)圖像T_i之間的相似性關(guān)系。如果夾角為0°，意味著方向相同、線段重合；如果夾角為90°，意味著形成直角，方向正交；如果夾角為180°，意味著方向正好相反。為更好地體現(xiàn)向量間的差異，用與1-的比值來(lái)衡量?jī)上蛄康南嗨贫龋磃(ρ_i)=/(1-)，f(ρ_i)∈[0，∞]。這樣，就將相似度的范圍從[0，1]擴(kuò)展到[0，∞]之間，可以更好地突出向量間的微小差異，更能體現(xiàn)兩者的相似程度。

1.4 保留最大相似區(qū)域

    在圖像中目標(biāo)的檢測(cè)與定位過(guò)程中，設(shè)定一個(gè)整體閾值τ₀，將f(ρ_i)與τ₀作比較，若f(ρ_i)>τ₀就認(rèn)為目標(biāo)圖像與參考圖像相似，最終的定位與檢測(cè)的準(zhǔn)確度與相似度可以通過(guò)調(diào)節(jié)τ₀來(lái)實(shí)現(xiàn)。這樣就可以得到一個(gè)相似區(qū)域，然后，進(jìn)行非極大值抑制，即只保留maxf(ρ_i)的對(duì)象，就是最終的檢測(cè)與定位結(jié)果。maxf(ρ_i)>τ₀表明目標(biāo)圖像中有需要檢測(cè)的參考圖像，maxf(ρ_i)<τ₀，則目標(biāo)圖像中不存在所感興趣的對(duì)象。

    所有相似性區(qū)域子圖塊位置和保留最大相似區(qū)域?qū)嶒?yàn)結(jié)果如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證該算法的有效性，本文選取兩組圖作為實(shí)驗(yàn)數(shù)據(jù)。其中一組圖像是對(duì)衛(wèi)星接收器進(jìn)行定位，如圖3所示。

    實(shí)驗(yàn)結(jié)果如圖4所示。圖4中，不同顏色代表不同的相似度，藍(lán)色(區(qū)域1、3)到紅色(區(qū)域2、4)表示的相似度依次增強(qiáng)，實(shí)驗(yàn)選取的參考圖像為目標(biāo)圖像中最左側(cè)的圖像，所以定位結(jié)果中最左側(cè)的定位結(jié)果為紅色，與參考圖像最為接近。圖4(c)中可以看到檢測(cè)出不同的相似區(qū)域，可以通過(guò)調(diào)節(jié)整體閾值來(lái)決定不同相似度區(qū)域的取舍，最終定位出結(jié)果。

    下面給出另一組人臉檢測(cè)與定位實(shí)驗(yàn)，并分析靈敏度?琢對(duì)準(zhǔn)確度與計(jì)算復(fù)雜度的影響，實(shí)驗(yàn)結(jié)果如圖5所示。

    由于式（3）中參數(shù)靈敏度α影響檢測(cè)的準(zhǔn)確度與運(yùn)算速度，在實(shí)驗(yàn)中，選取α=1.0。從表1與圖5中可以看出，靈敏度α越小，計(jì)算出的顯著性區(qū)域即與參考圖相似的子塊區(qū)域越大，檢測(cè)結(jié)果越準(zhǔn)確，但需要很大的計(jì)算復(fù)雜度;α越大，相似性區(qū)域越小，檢測(cè)時(shí)間越短，但有可能造成檢測(cè)目標(biāo)的缺失，如圖5(e)中所示。

3 結(jié)論

    本文采用的目標(biāo)定位算法對(duì)圖像中的參考圖像目標(biāo)進(jìn)行定位，該算法不需要過(guò)多的預(yù)處理和訓(xùn)練過(guò)程，只需要輸入一個(gè)參考圖像來(lái)獲取所需定位目標(biāo)的結(jié)構(gòu)信息矩陣，再用局部保留投影（LPP）對(duì)圖像矩陣進(jìn)行降維，提取顯著特征，進(jìn)而與目標(biāo)圖像的相似特征進(jìn)行匹配，用余弦相似性方法作為判決依據(jù)。由實(shí)驗(yàn)得知，該算法是一個(gè)通用的定位算法，參考圖像和目標(biāo)圖像里的定位圖像不需要嚴(yán)格一致。從實(shí)驗(yàn)1看出，在目標(biāo)圖像中，定位目標(biāo)的角度、方向、亮度和目標(biāo)大小等信息不一致，仍準(zhǔn)確定位出3個(gè)目標(biāo)；在實(shí)驗(yàn)2中也可以看出，在復(fù)雜的圖像背景下，輸入的參考與檢測(cè)目標(biāo)有一定的差異，仍能檢測(cè)定位出人臉信息，說(shuō)明本算法的有效性和通用性。

    本文算法的局限在于，檢測(cè)目標(biāo)圖像中的目標(biāo)時(shí)，目標(biāo)圖像中目標(biāo)的大小應(yīng)大致與參考圖像大小一致，這樣對(duì)檢測(cè)圖像分割成一系列與參考圖像大小一致的子圖塊時(shí)才能進(jìn)行特征點(diǎn)相似性判決。針對(duì)目標(biāo)圖像中目標(biāo)大小與參考圖像大小不一致的問(wèn)題，可以通過(guò)縮放參考圖像來(lái)解決。在參考圖像與目標(biāo)圖像存在形變時(shí)，若目標(biāo)的局部幾何形狀特征明顯，能提取出特征，則可以通過(guò)調(diào)節(jié)相似度閾值τ₀來(lái)實(shí)現(xiàn)對(duì)目標(biāo)進(jìn)行檢測(cè)與定位，但會(huì)造成定位精度下降。有關(guān)算法的參數(shù)設(shè)置，目前沒有自適應(yīng)的優(yōu)化參數(shù)方法，只能做大量實(shí)驗(yàn)選取最優(yōu)參數(shù)，隨著這一問(wèn)題的解決，必會(huì)使此算法得到更廣泛的應(yīng)用。

參考文獻(xiàn)

[1] 喻鑫，明德烈，田金文.前下視紅外圖像中復(fù)雜地面背景下的目標(biāo)定位[J].紅外與激光工程，2007，6(6)：988-991.

[2] 楊威，付耀文，潘曉剛，等.弱目標(biāo)檢測(cè)前跟蹤技術(shù)研究綜述[J].電子學(xué)報(bào)，2014，42(9)：1786-1793.

[3] SEO H J，MILANFAR P.Training-free，generic object detection using locally adaptive regression kernels[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2010，32(9)：1688-1704.

[4] 任仙怡，張桂林，張?zhí)煨颍?基于奇異值分解的圖像匹配方法[J].紅外與激光工程，2001，30(4)：200-202.

[5] 劉小軍，王東峰，張麗飛，等.一種基于奇異值分解和隱馬爾可夫模型的人臉識(shí)別方法[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(3)：340-344.

[6] 陳果，左洪福.圖像的自適應(yīng)模糊閾值分割法[J].自動(dòng)化學(xué)報(bào)，2003，29(5)：791-796.

[7] 鄧集洪，魏宇星.基于局部特征描述的目標(biāo)定位[J].光電工程，2015，1(1)：58-64.

[8] KUMAR Y，GAUTAM J.Training-free video indexing scheme using local steering kernel[J/OL].(2012)[2016].http：//www.tjprc.org/files/2-15-1371044563-1.Training%20free%20video.full.pdf.

[9] WONG W K，ZHAO H T.Supervised optimal locality preserving projection[J].Pattern Recognition，2012，45(1)：186-197.

[10] YE J.Cosine similarity measures for intuitionistic fuzzy sets and their applications[J].Mathematical & Computer Modelling，2011，53(53)：91-97.