[发明专利]一种基于结构相似度的目标识别自评估方法

说明书

本发明属于图像识别技术领域，提供一种基于结构相似度的目标识别自评估方法。选择待匹配图像信息中的亮度，对比度和结构作为目标识别自评估的测度依据；对模板图像进行特征提取并存储特征信息，对所述模板图像进行多角度变换后进行特征提取并存储变换后的特征信息，对完成多角度变换后的模板图像再进行多尺度变换后进行特征信息提取并存储；对待匹配图像信息进行特征提取，利用模板匹配输出识别结果；利用亮度、对比度、结构三种相似度对比实现对目标识别效果的有效评估。本发明通过多尺度多角度的模板匹配引入金字塔算法，尤其针对目标缩放、旋转、畸变等情况，仍能够保证较高的识别准确率；利用结构相似度，实现了对目标识别效果的定量化评估。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于结构相似度的目标识别自评估方法。

背景技术

目标识别技术起源于战争中对地探测、预警及定位的需要，目前已在各行各业广泛应用。主流目标识别技术包括雷达识别、红外成像、声信号识别、射频识别以及图像识别等。图像识别是指，用机器对采集到的数字图像进行预处理、分析、理解等操作，进而实现对不同模式下的目标及对象进行成功识别的技术。图像识别技术经过了多年发展，目前在农业、制造业、医学、建筑业等领域有着广泛的应用，是多个领域中的研究热门。

目前图像识别方法主要包括文本规则法、模板匹配法、神经网络法和统计机器学习法。文法规则法是指，把符号与规则的概念引入图像中，从而构建出对象的某些形状，通过对“终止符”进行分类来决定它所代表的图像对象类别。该方法并不适用于本身存在噪声与失真、对象重叠等情况的图像；另外在很多的时候，对象的相似性很难被表示引入文法中，所以这种方法现在己经很少使用了。神经网络法提供了一种普遍且实用的方法，即从数据中先学习值为连续的实数值、离散值或是向量的函数，这些函数可用做匹配或者分类的模型。神经网络法在图像领域取得了较为成功的应用，其主要缺点是选择网络结构的时候往往依靠经验，并且学习周期过长。机器学习法涵盖了能让计算机程序利用经验提高某任务处理性能的各种行为，它与神经网络一样学习时间过长，并且可控性不强。模板匹配法是指，把不同传感器或同一传感器，在不同的时间、不同的成像条件下，对同一景物获得的两幅或多幅图像在空间上进行对准，亦或是根据已知模式到另一幅图像中找寻相应模式的识别方法。

模板匹配法对目标的知识容量要求少、且计算形式简单，是目标识别方法中的一个重要的研究方向，同时也是图像工程中的研究热点之一。使用模板匹配来识别物品图像有其独特的优点：不干扰被测对象(特别是需要非接触测量时)，既保证了安全性，也保证了准确性。但传统模板匹配也有其局限性，如对目标的几何变形以及灰度畸变均十分敏感、旋转后的变性不易消除、累计误差较大等问题。且传统的模板匹配技术在处理复杂背景下的以及多目标的图像识别时，存在运算量大、精度和速度不能达到实际应用需求等缺陷。

综上所述，基于模板匹配技术实现目标的高效识别具有很高的应用价值，但是仍需要针对其局限性进行优化改进；同时，当前的目标识别方法研究一般输出目标的类别、位置和置信度，对识别算法本身缺乏明确评估，因此有必要发展一种目标识别自评估方法。

发明内容

本发明的目的是提供一种基于结构相似度的目标识别自评估方法，解决目前模板匹配法在目标变形、旋转、灰度畸变等条件下，识别效率低下的技术问题，填补针对模板匹配目标识别效果定量化评估的空白。

为实现上述目的，解决上述技术问题，本发明的技术方案如下：

一种基于结构相似度的目标识别自评估方法，其实现过程包括如下步骤：

步骤1、目标识别自评估指标构建

选择待匹配图像信息中的亮度，对比度和结构作为目标识别自评估的测度依据；

步骤2、利用多尺度多角度模板匹配输出识别结果