數字圖像處理教程第12章目標識別目標識別對特定目標進行有效描述，該描述能將目標與圖像中其它區域通過某種方式區分目標可以用模式來表示。模式指對事物特征或屬性的定量或定性描述模式類指具有某些共性的一組模式常用的模式表示方法有用于定量描述的向量、用于定性描述的串和樹12.1基于決策理論的模式識別12.1基于決策理論的模式識別

12.1.1基于匹配的決策

12.1.1基于匹配的決策

12.1.1基于匹配的決策模板匹配模板匹配，用于在圖像中發現與給定模板相似的區域、確定圖像中目標位置以及與模板相似度等，進而在圖像中識別出目標計算量小處理速度快，適合對大小固定、方向固定目標進行識別12.1.1基于匹配的決策

12.1.1基于匹配的決策相關匹配最匹配區域的左上角12.1.1基于匹配的決策模板匹配不能檢測到目標的大小變化和角度旋轉。對于大小和方向存在變化的目標，模板匹配不是一個高效的識別方法。12.1.2統計分類器

12.1.2統計分類器

12.1.2統計分類器

12.1.2統計分類器

12.1.2統計分類器

12.1.2統計分類器

12.1.2統計分類器

12.1.3神經網絡采用非線性計算，通過對訓練集中已知所屬模式類的各模式進行學習計算，得到誤差較小的輸入與輸出之間復雜關系并根據訓練得到的決策對未知模式判決其所屬類別12.1.3神經網絡

12.1.3神經網絡神經元是神經網絡的基本單元，接收來自外部的不同刺激，在神經元細胞內對不同刺激產生不同強度反應，綜合為一個輸出權重影響神經元對輸入信息敏感程度，通過控制權重形成識別偏好偏置某種程度上代表對信息敏感度激活函數一般采用非線性，目的是在決策中加入非線性因素以應對線性計算無法解決的問題12.1.3神經網絡隱藏層用于提取特征，將輸入信息映射到特征空間不同網絡隱藏層結構不同隱藏層基本組成包含卷積層和池化層12.1.3神經網絡

12.1.3神經網絡池化層不改變輸入矩陣的深度，僅用于縮小矩陣，達到提取大尺度特征的目的池化層減少后續網絡節點個數，加快處理速度用得最多的池化處理是最大值池化，此外還有平均池化12.1.3神經網絡輸出層將前面學到各種特征映射到樣本標記空間，輸出分類信息輸出層的第一個卷積層也稱為平坦(flatten)層，把隱藏層輸出的多維信息通過卷積一維化數據一維化后各層神經元全連接(fullyconnected)，對特征進行重新擬合，減少特征信息的丟失12.2特征點匹配所有特征點用相同類型的描述子描述特征匹配包括二個方面不同圖像中特征點相互匹配組成匹配對從上述點對中選出真實的匹配對，剔除虛假匹配對12.2.1特征點匹配基礎

12.2.1特征點匹配基礎

12.2.1特征點匹配基礎

12.2.2匹配一致性RANSAC算法最小二乘法容易受到錯誤匹配的干擾隨機抽樣一致性（randomsampleconsensus,RANSAC）算法對匹配對進行篩選，通過迭代運算剔除不符合最優模型的匹配對（外點，outliners）12.2.2匹配一致性

12.2.2匹配一致性

12.2.2匹配一致性

12.2.2匹配一致性RANSAC算法RANSAC方法簡單通用，對噪聲干擾魯棒性好能夠廣泛應用于多種模型，相比同樣采用投票機制的Hough變換，RANSAC能夠同時求解更多參數當外點占比較小時只需幾次迭代就可以找出真正的模型參數，當外點占比較高時需要的迭代次數急劇增加12.2.2匹配一致性

錯誤的匹配周邊沒有支撐正確的匹配周邊有很多類似的匹配（支撐）12.2.2匹配一致性GMS算法基本步驟將二幅圖像分別分為互不重疊的網格區域對圖1中每個網格，在圖2中找到與其匹配最多的網格在這二個網格周圍，檢查支撐匹配對數量，大于閾值說明上步的匹配是真實的網格網格及其鄰域匹配網格12.2.2匹配一致性

12.3運動目標跟蹤12.3.1光流法通過光流估計檢測和跟蹤運動目標光流是目標在連續二幀間的顯著運動模式，是關于像素點的瞬時運動速度的二維向量光流中的每一維表示連續二幀間圖像亮度在一個方向上的變化，可以看成具有某亮度值的像素由于運動而產生的瞬時速度場12.3.1光流法光流估計利用時間上相鄰的兩幀圖像得到點的運動，估計可基于梯度、基于匹配、基于能量、基于相位等進行依據估計中所用點的疏密程度，光流估計分為稀疏估計和稠密估計稀疏估計需要指定一組特征點進行跟蹤稠密估計對整幅圖像或圖像某一區域進行逐點匹配的圖像配準方法，計算所有點的偏移量，從而形成一個稠密的光流場12.3.1光流法

12.3.1光流法

光流方程12.3.1光流法

光流方程12.3.1光流法

12.3.1光流法

12.3.1光流法

12.3.1光流法

12.3.1光流法

12.3.1光流法

12.3.1光流法

12.3.1光流法12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

只有這項與中心位置y有關，12.3.2meanshift跟蹤12.3.2meanshift跟蹤

12.3.2meanshift跟蹤

12.3.3Camshift跟蹤對meanshift的改進Meanshift跟蹤中候選區大小固定，Camshift跟蹤算法能夠自適應調整候選區大小在HSV空間進行，根據確定目標直方圖構建候選區的色彩概率圖，采用修改的meanshift算法計算跟蹤窗口中心、并根據統計矩修改跟蹤窗口尺寸至合理大小12.3.3Camshift跟蹤

12.3.3Camshift跟蹤

12.3.3Camshift跟蹤

12.3.3Camshift跟蹤Camshift跟蹤步驟（續3）設置在下一幀跟蹤目標的初始化參數返回步驟3，直到所有幀跟蹤完畢12.3.3Camshift跟蹤CamShift算法在計算直方圖時沒有采用meanshift的核函數加權方式，區域內的各像素點權重相同遠離中心的非目標像素的影響力沒