Template Matching Techniques for Automatic IR Target Recognition

最近在做图像处理，翻译了一篇模板匹配的文章，老外就是敢想，越是简单的问题说的越明白，不想中国人总是把简单的问题复杂化，不就一模板匹配吗，把目标的有用姿态做成个数据库，就匹配呗，接着在评估这种思路的应用前景。

现实和模拟场景中的红外自动目标识别模板匹配技术：测试与评估

摘要：目前有实验验证红外图像自动目标识别。主要基于模板识别技术和综合鉴别函数，滤波器用来增强方法的鲁棒性并减小运算量。在大量不同的场景下以及不同的噪声水平下进行深度实验。对传统方法进行了精细的提炼并做了可操作性的调整。研究源于数字目标数据库，研究真实的红外图像

关键词：目标识别，模板匹配，SDF滤波器，红外图像。

前言

2011-5-模板互相关匹配方法是模式识别和红外型自动目标识别的常用方法。匹配空间滤波器（MSF），它的能量归一形式通常被称为标准化互相关。即使它们基于不同的能量水平，并受白噪声的影响，二者提供了一种对图像间相似度的估计方法。相反，对目标畸变的鲁棒性差以及在交叉相关输出的峰值不明显是其主要缺点。在目标图像表现出与源图像不同的aspect angles和尺度因素的差别的情况中，上述的缺点是至关重要的。两种基本相关函数的变形，都是二维傅里叶变换得到的。即纯相位相关（POC）和对称相位相关（SPOC），可以用来提高输出相关峰值的尖锐程度。这两种形式的相关函数提高了辨别能力，但不能保证提高对畸变的鲁棒性。

对于畸变的抗干扰，综合辨别函数（SDFs）提供了合适的解决方法。事实上，由SDFs产生的综合相关滤波器整合相关图像，因此重点在于这些图像共有的特征以及提高泛化。此外，通过这些滤波器，特征明显的表现出来。当目标图像和用于生成滤波器的图像相似时，会有明显的峰值输出。不相似时峰值会大大衰减。

在基于模板匹配的相关目标识别系统中，每个输入目标都要和一系列相关图像比较。如果数据库包含了大量例图，SDF方法也能有效的减小运算量。事实上，通过一个滤波器对应一系列图像的方式，数据库减小了，运算时间也减小了。

目前以SDF合成为重点的研究工作，主要基于相位相关方法。为了使不通滤波器的输出结果更容易比较，提出了一个相关滤波合成的变形。

用于分析的数据库由数字产生的空中和地面的装备组成。为了达到测试目的，数据库经过噪声和有不同静态属性的背景处理。本文也介绍了应用在实际红外图像上的检测结果。

下一节介绍相位SDF方法和可能的改进方法；第三节介绍目标数据库和测试相关的修改。第四节和第五节介绍结果和结论。

2.相位相关和SDF滤波器

空间相关函数将两幅图像作为输入参数，输出结果提供了两幅图像间的相似度估计。该方法基于匹配滤波理论；实现相当于简单的线性滤波操作。广泛用于模式识别，但在其原始形式中，输出依赖输入信号的整体能量。因此只有在能量已知或者可以准确估计能量的情况下，可以使用。另一点需要考虑的是平滑的峰值。这种情况下，在相似输出的基础上很难区分两幅相似的图像。实际上，如果选出其中一幅作为源图像，它的自相关和其他图像的互相关相似，所以很难区分两个输出，尤其还有噪声的影响。为了提高方法的鲁棒性，首先有必要介绍NCC：从目标图像和源图像中减去均值后，滤波前先进行能量归一化。As a result ,the output becomes independent of zero frequency component and of signal energy. 但是输出峰值仍然平滑并有不需要的旁瓣。

在谱域，相位相位相关方法可以弥补这一缺点。一般情况下，相位相关方法可以提供比NCC更尖锐的峰值，同时提高了区分相似图像的选择能力。

假设y(n1,n2)代表源图像，x(n1,n2)代表用于比较的输入信号，即目标图像。相位相关函数如下所示：

X(k1,k2)和Y(k1,k2)是x(n1,n2)和y(n1,n2)的二维傅里叶变换，符号依次代表尺度空间相关和复数共轭。表达式中输入信号x(n1,n2)与Y(K1,k2)*相位的傅里叶逆变换互相关，称为相位图像如图一所示（相应的图像数据以yph(n1,n2)表示）。主要效果是在相关平面产生尖锐峰值，which denotes an increased energy concertration 提高了在最大值附近的能量集中 respect to NCC。

为了更高的选择性，使用对称相位相关，在源图像和输入信号的纯相位图像xph(n1,n2)和yph(n1,n2)上，表达式如下所示：

 在表达式中，只考虑了相位谱。也就是说：the spectral amplitude is equalized and set to unit value. 此运算符产生了相当尖锐的高峰水平相比为NCC，特别是在自相关的情况下，在那里产生一个二维克罗内克δ函数（图1）。

  为了测试不同方法的区分能力，考虑下述情况，一个特殊目标，在这里是一架F15，图像文件中是从不同视角观察它。从这幅图像中选取一部分图像并和其他视角下的F15是互相关的，包括它自己在内。将输出最大值放在一个数组中并假设元素间的距离与角度的差异成比例（图6和图8获得更多细节）。图2显示以上过程。

  可以看到对于NCC，在输出矩阵中，平滑区域出现在正确匹配的目标附近。相邻图像，仅仅与源图像相近，产生的输出值接近最大值。相反，在SPOC输出结果来看，目标图像相比源图像的小变化却产生了剧烈的峰值衰减。这一结果说明了即使在处理非常相似的图像时，方法也有很高的区分能力。POC函数的结果介于NCC与SPOC之间。可以视为一种选择性和一般性之间较好折中。

  在等式（1）和（2）中，the input arguments are inversely multiplited by their 振幅频率的响应。在应用中，这一做法对于emphasize较高频率有实际效果，它对应一个信号依赖高通滤波器。这种方式着重强调了目标识别的重要信息含量高的频谱。另一个负面影响是灵敏度高频率的噪音增加。

  为了提高失真鲁棒性，降低计算量（计算量在需要比较大量图像时是重要因素），通过使用SDFs可以从POC和SPOC建立一套新的滤波器。通过SDF综合技术，从复合源图像得到新的滤波器，它可以代替这些源图像。因此可以减小数据库的大小从而减少运算时间。此外，在处理复合目标图像时使用一个相关滤波器就意味着比从前描述的方法更具有一般性，同时对失真和噪声也有效。

  在基本的SDF公式中，互相关函数between the desired filter and the training images of the same class are required to assume the same value in the origin of the output plane .方程3描述的线性系统执行这一过程。

fi(n1,n2)是training image ，hSDF（n1,n2）是综合滤波器，fai是相关函数在（0,0）处的值。

 

从等式（3）和（4）可以将SDF表达为矩阵形式：

在等式5中，矩阵F是训练图像按字典阅读和列排序得到的，向量fai是期望的输出，向量hSDF包含SDF滤波器。表达式5没有特别的要求to observe，除了训练图像的线性独立。也可以将SDF应用到纯相位图像。图三所示是一个纯相位滤波器的例子，而图四显示了纯相位的SDF与SPOC的差别。

为了使输出信号正确的可以比较，信号的单位化很重要。在方程5描述的SDF中唯一的约束是原点处相关函数的值。这样不利于大量数据的比较，因此为了得到更好的结果有必要采用多个滤波器。

一个实际应用的方法就是通过在滤波综合本身中设置值，统一SDF滤波器的能量。