探究图像识别中模板匹配技术的应用

武汉学院信息工程学院 马 飞

模式识别作为使用计算机采用数学模型的方式，对于涉及到的对象进行精确的判读和处理。在众多的识别模式中，模板匹配技术是最容易实现的一种，模板匹配数学模型相对简单，仅需要将匹配技术应用到图像识别中，即可提高其图象识别的精确性。鉴于此，本文将着重分析模板匹配技术在图像识别中的具体应用情况，旨在更好的提高模板匹配技术的应用水平。

在关于图像目标识别技术的应用和研究过程中，模板匹配技术作为十分重要的研究方向已经兴起，其应用于图像识别中可以有效提高其识别效率，具有算法简单、计算量小、识别率高等一系列的优点。目标识别自兴起以来，更是成为了新时期图像工程中的研究热点之一。模板的匹配是目标识别和跟踪的关键因素，图像匹配是指图像之间的比较得到不同图像的相似度情况。针对图像特征的不同，也会有各种匹配算法。

1 图像识别中模板匹配的要点及性能要求

1.1 关键要点

目前进行图像识别过程中的模板匹配，需要注重以下几方面的关键点。第一点是要注重空间特征。工作人员可以在有限的空间特征图像中提取出一系列的有效信息，并进行匹配，在这过程中要始终注意空间特征所选择的内容。由于许多具有特征的点都可以用于模板匹配过程中，无论是提升图像自身的亮度，或是包括图像的边缘曲线表面纹理等，一些其他的特征也可以用来匹配。特征空间是图像匹配中十分重要的组成部分，也是计算机视觉的基础所在。第二点是相似性的测度。具体来讲，要在图像匹配过程中找到相似度较高的内容，将其视为图片匹配的关键，相似度测试对于图像匹配至关重要，甚至也会决定着最终匹配的效果。相似性测度几乎决定了每一个匹配测试的相关特征及匹配程度，最后也会转化为是否匹配，这两个结果在这一阶段与匹配特征的选择有着直接的关联性。内部结构是图像的不变特征之一。搜索空间和搜索策略作为匹配特征和相似度这两个步骤后续的重要环节，由于匹配特征和相似度需要的计算量巨大，因此，需要通过搜索空间和搜索策略这两方面来校准图像，并且变换相应的空间。其中，前者更加适用于搜索出平移旋转等一些能够变化参数的特征，经过平移或是旋转等一系列调整所得到的可以变化的参数，图像在经过改变以后，其相似性会更加理想，可以有效减少计算的数据量。通常可以从某集合的影响大小、搜索空间和复杂度来进行区分或进行局部的变化，以此来去掉一些不匹配的搜索子空间。搜索策略包括模拟退火算法、遗传算法等一系列的内容，在图像匹配的过程中，无论是特征空间、相似性测度或者是搜索策略等，都会对最终的匹配效果产生一定的影响。因此，所有的图像模板匹配方法都需要将上述几点结合起来，才能够进一步提高其匹配的精确度。

1.2 性能要求

在图像识别过程中，模板匹配需要注重以下几方面的内容，主要以匹配的精度、速度和概率为主。其中，匹配的速度至关重要，这会直接影响甚至决定最终所搜索出目标对象的时间长短。通过上述分析得知，在特征空间相似性检测过程中，会涉及到一些算法的使用，而不同算法的实现方式会直接影响甚至决定着最终的匹配速度。工作人员如果采用并行计算的模式，虽然短期会提高匹配的速度，但是此种方式对硬件有更高的要求，现实中也会受到设备配置的限制。此外，匹配精度也在不同程度上反映出匹配的准确性。例如，在受到噪声或是其他一些外界因素影响时，会导致匹配的位置和目标对象在图像所处的位置中有较大的偏差。匹配误差的方差越小，说明最终的精确性越理想。因此，在具体的实验过程中，技术人员需要通过大量的测试图像方式来运行匹配算法并减少误差，确保误差在可控范围内。将相应的成像条件和目标物体等内容考虑在内，包括成像系统中的噪声对比度的变化和目标物体是否受到部分遮挡等。

2 图像识别中模板匹配技术应用分析

2.1 条码识别

条码识别是模板匹配技术在图像识别中的重要应用之一。由于模板匹配技术的原理是通过一系列的数学函数，找出被搜索图像的相应关系坐标并将其带入到数学模型中进行计算。在条码识别过程中，横竖条码均是模板匹配技术中条码识别的重要基础。具体来讲，在一个数轴上加上二维图像的灰度投影，并且将其与数学模型作为基础在特定的数轴上加以匹配，可以有效提高其匹配的概率。在投影过程中可能会出现噪音相互抵消的情况，有助于减少误判和漏判，提高了条码识别概率。在应用模板匹配技术进行条码识别中，存在垂直与水平两个方向的图像。具体使用时，可以依其灰度的分布特征为基础，对两个方面的模板和对象进行灰度的投影，并进行序列的匹配，在找出相关值的同时，可以自动列入到投影函数中。在模板匹配过程中，模板的投影曲线会呈现出上下波动的状态；滑动过程中，在得到具体位置的数值时，也会形成相应的函数序列。由于水平和垂直两个方向的处理方法相同，并且要这两个方向均满足相应的匹配条件，才能证明其匹配的图像和样本图像是彼此合适的。

2.2 指纹识别

指纹识别是模板匹配技术在图像识别中的又一应用方式，也是其中必不可少的部分，其可以减少不必要的计算步骤并提高匹配速度。在具体匹配过程中，可以在每个间隔的M点搜索下匹配结果的优劣性。此外，在指纹识别过程中，工作人员能够对于不同的参考值位置进行充分的匹配，这种方法的优势之一是能够降低匹配点丢失的概率，提高其匹配的精确度。同时，对于模板所覆盖的若干点范围内采取随机计算的方式，也可以将最终的结果定义成具有突出性质的随机序列。合理的随机序列会降低计算的误差，但是整体的计算过程中并没有具体顺序之分。在经过多次误差排除后，能够更好地满足指纹识别的需求。因此，在当前一些指纹识别的工序中，把匹配基础应用在其中，可以取得满意的应用效果，得到理想的识别率，做到精准定位。

2.3 字符识别

字符识别是模板匹配应用到图像识别中的应用之一。在实施过程中，技术人员需要分别采用不同类型的特征块，将其作为基础模板匹配的模型。以特征的加权为基础的模板匹配模型，并且在这个过程中要加权。作为最基础的模板，其匹配过程中需要对于标准模板以及一系列的样本模板采取加权的方法。例如所包含的字符或笔画，都需要经过加权以后接受重新的分配。在识别过程中，对于权重较高的部位需要放置在中心，权重不高的部位可放置在边缘的地区，这样可以更好地平衡两者之间加权并且可以提高最终的识别效率。而使用特征块作为基础模板，在匹配过程中需要先从切割的模板方面入手，进行一系列切割处理后形成大小一致的模块，可以将统计所包含的若干点进行标准模板的匹配，所包含的特征模块较少，其工作量也会减少。

2.4 基于不变矩图像匹配

不变矩作为一种具有极高浓缩性质的图像特征，有着平移、灰度、尺度等多个不变性。采用不变矩进行图像分析和识别的实验多种多样，用很少的不变矩就可以重新构建并识别原本的图像，减少不必要的误判并提高其精度。具体来讲，在实时图像匹配和识别过程中，采用不变矩为特征以检测模板和图像中物体轮廓相似度的测度，可以将遗传算法引入到图像匹配识别过程中。用不变矩可有效检测出具有适度平移旋转的变化物体，更能够反映模板和图像之间是否出现有效匹配的情况，所得到的遗传算法在进化的速度上会比传统常规算法更加理想，其精确度也更高。

在模板匹配技术应用到图像识别过程中，上述各项识别技术均在相对理想的模板匹配中应用。但在实际应用中会受到其他因素的影响，出现图像识别效率不高的情况。因此，在匹配的过程中，要充分考虑到噪声等一系列因素，否则很容易出现匹配失败的情况。为了有效克服匹配技术在图像识别中存在的失误，具体使用过程中，可以采用具有动态化的M滤波函数，确保得到的匹配点之间能够相互调节，最终所构建出的数学模型也会更加贴合图像识别技术。

结论：综上，将模板匹配技术应用到图像识别过程中是一项十分重要的识别技术，其优点是匹配的算法更加简单，在图像变化不大的情况下，识别率十分理想。具体来讲，模板匹配技术在图像识别过程中，其关键部分是使用相关的数学模型，本质上是进行图像数字化的过程，根据预定的顺序将涉及到每个点的像素值找到，并带入到构建好的数学模型中加以处理，经过匹配以后，所得到的图像会直接在原图中显示出来。