图像匹配在机器视觉课程教学中的探索与实践

高直 朱志浩

关键词：机器视觉课程；教学方法；图像匹配；教学效果

0 引言

随着人工智能技术的飞速发展，基于机器视觉识别技术的应用成为了很多行业的发展契机，如无人驾驶[1]、工业机器人抓取[2]、人工智能[3]、交通监控[4]、人脸识别[5]等。这一系列的应用都离不开图像匹配技术，因此，图像匹配研究已经成为当前机器视觉领域的一个热点。

机器视觉课程是新工科建设的产物，以互联网和工业智能为核心，着力培养创新型、应用型人才，华东理工大学于2021 年1 月起已经开设跨学科、跨专业的机器视觉算法课程[6]。机器视觉课程属于一门多学科交叉课程，具有较强的应用性，能够培养学生的高阶思维[7]。

图像匹配技术已经较为成熟，理论知识扎实，应用十分广泛，如在医学领域，通过图像匹配技术对医学图像进行分析，医生能够结合分析结果获取更多的有效信息[8]；如在航空航天领域，利用图像匹配技术能够提高飞行器的自主导航精度[9]。因此图像匹配技术不仅能够降低教师的教学难度，同时也能使学生尽快步入机器识别领域，激发学生的学习兴趣。

1 机器视觉课程现状

从目前的机器视觉课程教学来看，存在一些不足。

⑴ 教学模式死板，课堂乏味无趣，学生积极性不高

该课程在一些院校形成了较固定的教学模式。老师通常以板书和PPT 的形式向学生传输知识，学生学习动力不足，缺乏积极主动性。学生的学习成绩多为考核理论知识，学生平时少学甚至不学也能够靠突击背诵知识点过关，考过后就忘。

⑵ 教学内容局限，资源配置不均

目前因为机器视觉课程是多学科交叉课程，故该课程的内容过于广泛，内容深度对于初学者而言较难掌握。所采用的课本或教材陈旧，繁琐的公式推导多，知识更新慢，与社会需求脱节。

⑶ 案例陈旧，致使学生盲目跟从学习

课程实践对工科学生而言，尤为重要，机器视觉课程实践对于刚接触这一领域的学生来说，有些实践项目案例陈旧，而且多以算法的数学推导为主，这只会让学生陷入复杂繁琐的数学逻辑中去。学生面对实际应用，只会跟随老师操作，不能理解“为什么”，遇到问题不知所措。学生没有参与度，最终为了考核死记硬背蒙混过关，无法体现教师的教学水平。

2 图像匹配技术

在不同条件下获得的图像因角度、灰度等影响产生差异，图像匹配就是通过对比方法识别出这些存在差异的图像中的相同特征，其所用到的对比方法就是图像匹配算法。图像匹配算法主要分两大类：基于灰度的匹配算法和基于特征。基于灰度的图像匹配算法是利用图像的像素灰度值信息，其包含了图像记录的所有信息，利用灰度信息建立两幅图像之间的相似性度量，采用搜索方法找到使得相似性度量值达到最大或最小变换模型的参数，因此该方法计算量过大，难以达到实时性要求；基于特征点的图像匹配算法是目前的主流算法，其最大的优点是能够对检测出来的特征点通过特征描述呈现并根据相似原则完成匹配，在受到图像角度、灰度、旋转等影响下都有較好的适应能力[9]。图像匹配的流程如图1 所示。

图像匹配算法经过多年的研究也出现了很多经典的算法，如SURF 和SIFT 两种算法。2004 年，Low 等提出了一种尺度不变特征变化算法SIFT（Scale Invariant Feature Transform），在大多数情况下，该算法都取得了满意的匹配效果，但是SIFT 描述符运算复杂，处理时间长，对于相似结构的图像会有大量误匹配点产生。在SIFT 算法的基础上，Bay 等提出了耗时更短的加速鲁棒特征（SURF）算法，SURF 算法通过对海森行列式算法的简化，大大提升了运算速度。

诸多研究人员又在SURF 算法的基础上提出改进，对SURF 算法的改进大都在图像预处理、特征提取和模板匹配这三部分。对图像预处理部分的改进，主要是为了之后能获取更多的图像特征信息；对特征提取部分的改进大都通过对描述符的降维或采用其他描述符来完成特征描述，以加快计算速度等；对于模板匹配部分的改进大多是通过添加约束条件实现对匹配结果精准度的提高。

3 图像匹配在机器视觉课程中的优势分析

机器视觉课程的基本内容是图像匹配技术，学生通过学习图像匹配技术，可以由浅入深的掌握机器视觉技术。因此，面对机器视觉课程的现状，图像匹配技术能够带来诸多优势。

3.1 对机器视觉课程的改进

⑴ 理论与软硬件教学相结合，提高学生的应用技能能力

图像匹配技术对于整个机器视觉领域而言难度较低，学生易于接受，以SURF 算法为例，国外诸多大学针对SURF 算法已经开设多年相关课程，通过让学生在掌握SURF 算法的基础上，运用SURF 算法实现机器视觉中的一些应用，提高了学生的实践能力，也不会因难度过大导致学生学习动力不足。对于国外大学的教学理念，可以取长补短，先熟悉编程环境，让学生充分利用网络资源，查阅相关文献，了解经典图像匹配算法，这些算法经典透彻，学生容易掌握。建立科研小组，能够调动学生的积极主动性，将理论知识运用到实践中，让学生自己动手，编写相关程序，能够增强学生对Vs、Python、Matlab 等开发环境的掌握能力，同时也能激发学生的思考和创新能力。科研小组的成立使学习效果评价更科学合理，既避免了学生为应付理论考试的突击背诵，也能体现教师的教学水平。

⑵ 调动学生的学习兴趣

图像匹配技术发展至今，在很多领域都发挥着极其重要的作用，呈现出一系列的应用成果，可以将互联网上的诸多成功案例通过视频的形式给学生进行讲解，让学生感受到这门课程的有趣之处，也能让学生对自己的未来有所规划，理解为什么学习这门课程该课程的学习对自己以后参加工作有何用处，将最新的应用实例呈现给学生，能够调动学生对机器视觉课程的学习兴趣，也能够让学生对自己学习的方向有更深的见解，拓展学生的思维。

3.2 教学案例分析

下面通过教学案例说明图像匹配技术在“机器视觉”课程教学中的应用。

以SURF 算法为例，SURF 算法的基本流程同其他匹配算法一致主要分为三部分：特征点的检测取、特征点提取与描述、特征匹配。SURF 算法一种比例和旋转不变的兴趣点检测器和描述符（如图2），SURF算法中借用积分图像概念来减小算法的计算量，将图像与高斯二阶微分模板的滤波转换为对积分图像的加减运算，通过二阶Hessian 矩阵完成特征点的检测，对于一个图像P = （x，y） 上的图像尺度为δ 的点X?的Hessian 矩阵为：

利用Harr 小波响应确定特征点的主方向，并将同主方向水平的Haar 小波响应值定义为dx 和dy，通过计算他们的绝对值之和得到每个子区域的四个特征向量，计算所有的矩形区域块得到64 维的特征描述子。

特征匹配通常是采用欧式距离的方法，针对基准图像中的某一个特征点，在待匹配图像中搜索出距离最近的特征点，欧式距离越小，则相似程度越高，当小于给定阈值时则判定匹配成功。

以图2 为案例，该教学主要目的时使学生掌握处理图像、特征检测、特征提取及图像匹配等基本技能，锻炼学生软件开发能力。

让学生根据教材图像处理的基础算法动手编程，将图像转换为灰度图像，对于灰度图像进行特征提取，特征提取部分对图像匹配的精度和速度都具有重要影响，图像的特征包含：颜色、形状等[10]，对于这部分可以着重讲解。匹配结果如图3 所示，让学生采用欧氏距离的特征匹配进行对比分析，引导学生通过互联网资料查阅学习，理解这两种算法的区别，同时也能够让学生在查阅学习的过程中看是否能够发现创新点，通过创新更进一步提高图像匹配的精准性和实时性。通过案例的学习，为机器视觉课程打下基础。

4 结束语

通过对机器视觉课程的研究，分析了现如今机器视觉课程存在的问题，并提出改进建议，探索了图像匹配技术在机器视觉课程教学中的优势，并通过案例分析了图像匹配技术机器视觉课程的重要性，让学生以图像匹配技术为媒介对机器视觉课程建立一个完整的学习体系，由粗浅到深入，完成机器视觉的课程，取得了较好的教学效果。