付俊　楊治國

摘要： 近年來，目標(biāo)識別技術(shù)已成為當(dāng)今研究的熱點之一。隨著科技的發(fā)展，目標(biāo)識別從初始的人工方法發(fā)展為計算機自動識別算法，極大地提高了識別的精度和效率。目標(biāo)識別是計算機視覺技術(shù)的重要應(yīng)用，目前在各個領(lǐng)域行業(yè)中都得到了廣泛的應(yīng)用。由于目標(biāo)識別的具體環(huán)境和干擾情況十分復(fù)雜，目前仍沒有一種適用于多種環(huán)境的通用算法。目標(biāo)識別的主流算法包括基于全局特征的目標(biāo)識別、基于區(qū)域特征的目標(biāo)識別、基于模板匹配的目標(biāo)識別、基于幀差的目標(biāo)識別。通過介紹目前的主流算法，分析了相應(yīng)的優(yōu)缺點，并對各種算法做了較為詳細的綜述。

關(guān)鍵詞： 計算機視覺； 全局特征； 區(qū)域特征； 模板匹配； 幀差

中圖分類號：TP391 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）13-0173-02

Abstract：In recent years， the target recognition technology has become one of the hot researches. With the development of science and technology， target recognition from the artificial method of initial development of computer automatic recognition algorithm， greatly improves the precision and efficiency of detection. Target recognition is an important application of computer vision technology， currently in various fields has been widely used. Because of the specific environment of target recognition and interference is very complex， there is not a general algorithm suitable for multi application environment. The mainstream algorithms of target recognition include object recognition based on global feature， object recognition based on region feature， target recognition based on template matching， target recognition based on frame difference. By introducing the current mainstream algorithms， the corresponding advantages and disadvantages are analyzed， and a detailed overview of the various algorithms is made.

Key words：computer vision； global feature； regional feature； template matching； frame difference

1 概述

目標(biāo)識別[1]是近年來研究的熱點課題之一。如今在各個領(lǐng)域，目標(biāo)識別具有廣泛的用途：在智能交通領(lǐng)域，采用目標(biāo)識別技術(shù)識別出各種車輛及其號碼，可以方便、準(zhǔn)確地記錄公路上違紀(jì)車輛情況；衛(wèi)星導(dǎo)航領(lǐng)域，采用目標(biāo)識別及跟蹤技術(shù)，能夠準(zhǔn)確跟蹤客船、客機的航行情況，減少故障的發(fā)生；公安監(jiān)控領(lǐng)域，通過目標(biāo)識別技術(shù)容易識別出嫌疑人，從而方便刑偵部門對嫌疑人的定位和追蹤；在軍事領(lǐng)域，通過目標(biāo)識別技術(shù)可以自動判別敵我雙方目標(biāo)，有利于軍事技術(shù)的自動化。在目標(biāo)識別的過程中，目標(biāo)會受到多種干擾因素的影響，包括天氣變化、噪聲干擾以及目標(biāo)自身的形變或遮擋，因而識別過程及其困難，目前仍沒有一種通用的目標(biāo)識別算法，后續(xù)研究仍有廣闊的空間。

2 主流算法

根據(jù)識別算法的原理，目前主流的目標(biāo)識別算法包括以下方法。

2.1 基于全局特征的目標(biāo)識別

基于全局特征的目標(biāo)識別方法主要通過提取目標(biāo)的各種全局特征，然后進行特征匹配實現(xiàn)目標(biāo)識別。這種方法需要預(yù)先提取目標(biāo)的全局特征，因此提取的特征效果對目標(biāo)識別有一定的影響。目前，常用于目標(biāo)識別的全局特征包括顏色特征、形狀特征、紋理特征。顏色特征[2-3]是自然界最常見的特征之一，可以通過辨別目標(biāo)的顏色來實現(xiàn)目標(biāo)的識別。在目標(biāo)顏色存在明顯區(qū)別的時候效果很好，但是，如果目標(biāo)的顏色大致相同，差別不明顯，這種識別方法效果往往很差。形狀特征[4-6]是指目標(biāo)自身具備的幾何形狀，通過辨別目標(biāo)的形狀差別可以實現(xiàn)目標(biāo)的識別。這種識別方法不需要考慮目標(biāo)的顏色差別，識別效果比顏色特征好，但是如果目標(biāo)的形狀趨于一致時也會失效。紋理特征[7-8]也是自然界的常見特征，一些物質(zhì)具有豐富的紋理，比如花崗巖、樹葉、布料等。但是，并不是各種目標(biāo)都具有紋理，若目標(biāo)沒有紋理便不能使用這種方法識別了。此外，特征提取的效果還會受到天氣、光照情況變化的影響。當(dāng)目標(biāo)發(fā)生遮擋或形變時，提取效果并不理想。

2.2 基于區(qū)域特征的目標(biāo)識別

基于區(qū)域的目標(biāo)識別方法[9-11]是將待識別的目標(biāo)圖像分割若干個區(qū)域，通過提取各區(qū)域的特征進行描述，然后采用特征匹配來實現(xiàn)目標(biāo)識別的方法。這種方法的優(yōu)點在于即使目標(biāo)發(fā)生了局部遮擋情況，仍然能提取其他區(qū)域的特征進行識別。在目標(biāo)遮擋情況下，該算法識別的效果相當(dāng)明顯。但是，該方法的效果也會受到區(qū)域分割和特征描述的影響。當(dāng)區(qū)域分割面積較大時，計算時間較少，但是用于描述目標(biāo)的特征也少，因而識別效果也較差。當(dāng)區(qū)域分割面積較小時，用于描述目標(biāo)的特征也較多，識別效果也相對好，但是用于特征提取及匹配的時間消耗也較大。此外，采用不同的區(qū)域特征描述方法也有很大影響。魯棒性較高、描述性能好的方法識別效果良好，相反，描述性能較差的方法識別效果有待提高。

2.3 基于模板匹配的目標(biāo)識別

基于模板的目標(biāo)識別[12-14]相對比較簡單，通過預(yù)先設(shè)定目標(biāo)模板，然后使用模板和待識別圖像進行匹配，將相似度大于設(shè)定閾值的圖像認定為已識別的目標(biāo)。該方法原理簡單，但是往往要計算圖像的全局特征，耗時量很大，效率較低。當(dāng)目標(biāo)形狀、拍攝角度發(fā)生改變、或者發(fā)生遮擋時，模板匹配的效果往往較差。其次，相似性閾值是一個很難確定的參數(shù)，閾值太大或太小都會對匹配的精度產(chǎn)生一定的影響，最佳閾值很難確定。目前，閾值都是通過大量實驗對比，然后取一合適的經(jīng)驗值作為參數(shù)。因而算法的可靠性和理論性仍有待驗證。

2.4 基于幀差的目標(biāo)識別

幀差法[15-18]是目標(biāo)識別常用的方法之一。該方法通過計算視頻圖像中相鄰兩幀的灰度差，然后根據(jù)先驗知識對幀差圖像進行處理，將符合目標(biāo)模型的圖像定為識別目標(biāo)。這種方法計算方便，原理簡單，能夠同時識別多種目標(biāo)。但是，該方法的難點在于如何建立一個適用性較好的目標(biāo)模型，由于目標(biāo)所處的環(huán)境極為復(fù)雜，存在大量的背景干擾，因此對目標(biāo)模型的通用性提出了很高的要求。常用的建模方法包括高斯背景模型、物體形狀模型、幾何特征模型等。由于幀差法的應(yīng)用范圍較廣，常用于動態(tài)目標(biāo)的識別與跟蹤。但是，幀差法建模復(fù)雜、計算復(fù)雜度高、耗時量大，從而也限制了其使用范圍，這也是該算法的缺點。

3 結(jié)束語

目標(biāo)識別技術(shù)對社會生活、工業(yè)生產(chǎn)等各領(lǐng)域都產(chǎn)生了深遠的影響。近年來，目標(biāo)識別算法取得了很大的進步，但仍處于研究發(fā)展階段，仍有很多善待解決的技術(shù)難題。目前主流的目標(biāo)識別算法大都基于特定理論，只能適用于特定環(huán)境或應(yīng)用領(lǐng)域之中。隨著科技的發(fā)展，將來的目標(biāo)識別算法一定有著更好的魯棒性、通用性和應(yīng)用范圍。

參考文獻：

[1] 李善青，唐亮，劉科研，等. 一種快速的自適應(yīng)目標(biāo)跟蹤方法[J]. 計算機研究與發(fā)展，2012，49（2）：383-391.

[2] 韓云生，劉國棟. 一種自適應(yīng)顏色特征的目標(biāo)識別與跟蹤法[J]. 江南大學(xué)學(xué)報，2009，8（2）：164-168.

[3]楊莉，杜艷紅，隋金雪. 一種基于顏色特征的目標(biāo)識別算法[J]. 微計算機信息，2007，3（5）：195-196.

[4] 高晶，孫繼銀，吳昆，等. 基于形狀特征的紅外目標(biāo)檢測方法[J]. 紅外技術(shù)及應(yīng)用，2013，43（1）：49-53.

[5] 潘泓，夏良正. 基于形狀特征的小波神經(jīng)網(wǎng)絡(luò)目標(biāo)識別方法[J]. 數(shù)據(jù)采集與處理，2008，23（1）：27-34.

[6] 王剛，賀偉，董衛(wèi)斌，等. 一種基于形態(tài)點特征的目標(biāo)識別方法[J]. 探測與控制學(xué)報， 2010， 32（6）：18-22.

[7]張敏，許廷發(fā). 基于Gabor小波紋理特征的目標(biāo)識別新方法[J]. 物理實驗，2004， 24（4）：12-15.

[8]宋新，羅軍，王魯平，等. 一種基于小波紋理特征的目標(biāo)檢測方法[J]. 紅外技術(shù)， 2006， 28（9）：545-548.

[9] 曹 健，王武軍，韓飛，等. 基于局部特征的目標(biāo)識別技術(shù)研究[J]. 計算機工程，2010，36（10）：203-205.

[10] 高晶，孫繼銀，劉婧，等. 基于區(qū)域模糊閾值的前視紅外目標(biāo)識別[J]. 光學(xué)精密工程，2011，19（12）：3056-3063.

[11] 黃文清，汪亞明. 基于自適應(yīng)混合模型和區(qū)域特征的多目標(biāo)跟蹤與檢測[J]. 計算機測量與控制， 2003，11（9）：648-650.

[12] 王強，宋京民，胡建平，等. 一種快速模板匹配目標(biāo)識別算法[J]. 計算機工程與應(yīng)用，2000，36（6）：42-43.

[13] 許清泉，陳功，鄧玉良. 基于多模板矢量量化的戰(zhàn)場目標(biāo)識別的算法[J]. 四川兵工學(xué)報，2006， 27（3）：41-43.

[14] 張義廣，馮志高，張?zhí)煨?，? 基于可見光圖像模板匹配的目標(biāo)識別算法[J]. 激光與紅外，2007， 37（12）：1322-1324.

[15] 高凱亮，覃團發(fā)，王逸之，等. 一種基于幀差法與背景減法的運動目標(biāo)檢測新方法[J]. 電訊技術(shù)，2011， 51（10）：86-91.

[16] 湯中澤，張春燕，申傳家，孟曉. 幀差法和Mean-shift相結(jié)合的運動目標(biāo)自動檢測與跟蹤[J]. 科學(xué)技術(shù)與工程，2010，10（24）：5895-5899.

[17] 王孝艷，張艷珠，董慧穎，等. 運動目標(biāo)檢測的三幀差法算法研究[J]. 沈陽理工大學(xué)學(xué)報， 2011，30（6）：82-85.

[18] 甘明剛，陳杰，劉勁，等. 一種基于三幀差分和邊緣信息的運動目標(biāo)檢測方法[J]. 電子與信息學(xué)報， 2010， 32（4）：894-897.