匹配制度（精选7篇）
匹配制度 篇1
一、专利制度的争议
专利制度是人类设计的重要创新机制和制度安排。虽然反对者认为, 专利制度会造成对发明领域的垄断, 而造成阻碍创新的效应。但是现有的研究主要集中在专利制度的正向激励效应方面。通过提供专利保护, 可以提供给发明人知识产权保护和收益保障, 所以会激励发明创新活动。
本文主要研究的是专利制度的信号显示和匹配功能。与现有研究把专利制度看做是政府和发明人之间合约制度安排不同, 本文把专利制度看做是发明人、投资方以及政府三方博弈的游戏规则或制度安排。我们的主要观点是, 由于发明知识的公共物品特性, 如果没有专利保护制度, 那么发明人和投资者之间的合作将是困难的。而通过引入第三方的政府, 设立专利制度, 不仅给发明人提供知识产权保护, 同时也通过强制信息披露制度, 减少了投资人的信息劣势, 从而为双方的合作提供了良好的交易环境。认识到专利制度信号显示和交易匹配效应, 具有很重要的现实意义。现实中, 大量的发明无法转化成为新产品或新的工艺。如中国科技成果转化率仅为10%, 即使在美国, 科技成果转化率也仅有20%左右, 一个重要的原因就在于发明人和投资方之间缺乏一套有效的合作的制度安排或中介组织。
二、知识交易的困境
技术创新是一系列的过程, 技术创新至少可以分为基础研究 (发明) 、应用研究 (中试) 和开发 (规模化生产) 三个阶段的活动。发明只是创新的最初环节, 要将发明转变成一项有市场价值的产品还需要很多艰难的后续开发活动和大量投资, 而且耗时长达十年以上。因此技术开发阶段的投资和制度设计是至关重要的。经验表明发明、中试和开发三个阶段的投资比例大约是1∶10∶100。由此可见, 中试和规模化生产是创新过程中的重要环节。如果只有基础研究发明, 而没有后续资金开发, 发明成果只能停留在概念和理论模型阶段, 而无法获得市场收益, 也不能对经济社会发展产生推动作用。现实中, 发明知识和资本的“链接”是一件困难的事。
不同于有形物质产品的交易, 知识产品交易存在着阿罗所称的信息悖论 (Information paradox) 问题。信息悖论使得交易的利得 (gains from trade) 不能实现。很多发明知识只能以私人信息方式存在, 因为一旦公开, 就将变成公共物品。也就是说, 发明知识在买方得到知识或信息之前, 买方并不了解其价值, 但是, 一旦他了解了该信息, 他事实上已经无成本的获取了这一信息。这就是著名的信息悖论 (Arrow, 1969) 。信息悖论揭示了知识产品和创意交易的困难。在信息严重不对称情形下, 事前的道德风险和事后的逆向选择都会发生。道德风险表现为, 发明人可能会利用信息不对称夸大发明的价值, 索取高于发明实际价值的价格, 而逆向选择表现为, 当投资人 (买方) 获得发明知识的信息后, 会压低发明知识的价格, 甚至退出交易。信息悖论深刻的指出了知识和信息交易的市场失灵问题。有形实体物品, 如苹果, 其价值承载于具体物品上, 在交易中, 价值和实体一起发生了产权的转移。而知识和信息则不同, 其价值和承载物可以分离, 而且可以低成本的复制。
三、专利的信号显示功能和交易匹配功能
与以商业机密形式存在的发明知识相比, 专利制度便利交易的好处表现在以下三个方面: (1) 政府的产权保护承诺。政府通过法律建立专利制度, 承诺保护发明知识的产权, 打击侵犯知识产权的行为, 有效地激励了研究和发明行为和专利申请行为。法律意义上讲, 专利是一种所有权证书, 它授予其所有者在一定时期内享有某种知识产品进行商业化应用的排他性权利。与市场中第三方中间组织相比, 政府作为增进交易的第三方优点在于政府拥有暴力优势, 可以通过对侵犯专利权的惩罚实现对专利知识产权的有效保护。如1991年, 宝丽来公司起诉柯达公司在即时成像技术方面侵权一案, 最后法院判决柯达败诉, 向宝丽来公司赔偿近9亿美元, 如果加上向消费者赔偿, 诉讼费以及损失的潜在的投资机会以及声誉损失, 柯达的侵权损失更大。现实中专利侵权官司巨额的赔偿的判例屡见不鲜, 正是政府的这一承诺的可信性, 提高了发明人通过申请专利方式来实现发明知识价值的积极性。 (2) 减弱信息不对称。政府承诺保护发明知识的专利, 作为交换条件, 发明人有义务披露发明知识的信息。专利 (patent) 本意是公开的意思。通过发明人的信息披露, 减少了买方的信息不对称, 有利于投资方对发明知识进行了解和评估, 提高了交易合作的可能性。正是有了专利制度这一政府承诺机制, 很多技术秘密才能公开成为专利, 这对于知识的保存, 传播和积累有着重大的意义。假若没有国家专利制度, 很多发明只能以商业机密的形式存在。在古代, 很多技巧只能以秘方形式在父子或以师徒这样狭小的范围内传承。这既不利于知识的传播, 也不利于进一步的发明创造。正如李约瑟所说, 中国是善于保护发明胚胎的国家。 (3) 信号显示和投资匹配效应。正是在专利制度的上述两个优点, 专利变成了发明人显示技术发明价值的一种信号 (signal) , 信息披露大大提高了发明知识和资本的合作机会, 通过专利转让和许可, 获取发明回报。而另一方面, 这种信号显示使得投资者更容易获得有关发明的详细情况以及市场价值。
蒸汽机的发明过程证明了专利制度对于科学家和企业家资本的匹配效应。人们往往以为蒸汽机是詹姆斯·瓦特发明的, 其实如果没有实业家约翰·罗巴特和马修·博尔顿的合作, 瓦特是难以完成蒸汽机的改进以及其商业化应用。1773年, 瓦特妻子去世, 留下了六个子女, 在家庭变故打击的同时, 他的第一位合伙人罗巴特也破产了, 蒸汽机研究缺乏资金难以为继, 生活陷入危机, 他曾一度打算放弃了蒸汽机的改进工作正是这个时候, 博尔顿挽留了打算去俄罗斯工作的瓦特, 以取得蒸汽机2/3的专利权作为交换条件, 支持瓦特发明研究工作, 两人开始了长达二十五年的合作。博尔顿为瓦特的昂贵的实验设备和初始模型筹措资金, 支持他的研究。与博尔顿的合作, 使得瓦特得到了更好的设备资金以及技术上的支持, 特别是在加工制造工艺方面。博尔顿倾其所有精力和财力使瓦特的蒸汽机梦想成为现实。
此外, 博尔顿还在精神方面也给瓦特提供了巨大支持。马修·博尔顿和詹姆斯·瓦特有着完全不同的性格。从性格方面来看, 两人能够走到一起是工业历史上最令人难以置信的一页。詹姆斯·瓦特心思细腻, 做事动作迟缓并且非常容易焦虑。他常常会灰心丧气。他会将工作放到一边, 感觉好像要彻底放弃了。瓦特对商业经营基本一窍不通, 特别讨厌与那些有兴趣使用他的蒸汽机的人讨价还价或谈判合同。与他形成鲜明对比的是, 马修·博尔顿热情洋溢, 生气勃勃, 与人相处得很好, 总是很乐观。当瓦特说:“不会起作用的。”博尔顿会说:“当然会成功的, 只要再试一下就行。”
四、便利知识交易的市场中间组织
19世纪末到20世纪初大型企业实验室的出现可以看做是一体化的研发创新组织。从威廉姆森 (1985) 的交易费用角度看, 创新活动在组织形式上的纵向一体化也恰恰反映了发明知识交易的困境。大型企业内部建立实验室和研究中心, 正是为了避免知识交易中的道德风险和价格要挟。战后, 在知识生产方面又出现了“市场对企业的替代”的趋势。大量便利发明专利交易的市场主体也不断产生, 最著名的就是斯坦福大学技术许可办公室 (OTL, Office of Technology Licensing) 和美国技术转移办公室 (TTO, technology transfer office) 。通过技术转移办公室, 实现了发明和资本的“链接”, 这些专利代理机构正是专利制度的匹配功能的体现。
斯坦福大学技术许可办公室作用主要是致力于发明的市场化, 寻求发明技术转移的合作伙伴。OTL的主要做法:一是明确专利产权归属, 避免以后产生法律上纠纷;二是对技术进行评价, 以决定是否申请专利等;三是对技术的商业应用价值进行评估, 预测技术的市场前景;四是寻找投资公司, 确定专利转让的方式。在收益分配上, OTL兼顾各方利益。在技术转让产生的收益中, 15%留给OTL作为运转费用, 其余部分由发明人、发明人所在系和发明人所在的学院各得1/3。斯坦福大学也因为获得了收益, 这大约占其研发基金的10%;美国政府则通过税收大循环, 最终得到了回报。
所以OTL作为市场之间组织形式出现, 实现了发明人和企业的有效匹配。借助于OTL, 发明人既不出经费, 也不必花太多的精力, 就可以将自己掌握的技术市场化, 并获得可观的报酬 (除得到1/3的技术转让费外, 还有每年的提成) ;而另一方面, 实施技术的公司通过OTL的信息和帮助也容易得到了想要的技术。
五、结语
创新是一系列的知识转化和结合过程, 也是一个风险投资过程, 提高创新能力的关键是让知识自由流动, 让知识与资本结合。因此一系列有效的制度安排对于创新的实现是关键的。专利制度以及产生于专利制度基础上的专利代理机构、风险投资机构对于把发明转化成为具有市场价值的创新产品具有重要的意义。
参考文献
[1]刘永沛.专利法:一种博弈论视角下的合作机制[J].云南大学学报, 2009, (6) .
[2]唐绍红.解读专利制度的缘起———从早期法律制度看知识产权正当性的条件[J].科技与法律, 2004, (1) .
[3]王争.专利制度的经济学研究综述[J].北京大学学报:哲学社会科学版, 2006, (3) .
[4]丹尼尔.斯普尔伯.市场的微观结构———中间层组织与厂商理论[M].北京:中国人民大学出版社, 2002.
[5]韩秀成.美国的专利政策及其高科技企业战略[J].知识产权, 2001, (3) .
[6]奥利弗.威廉姆森.资本主义经济制度———论企业签约与市场签约[M].北京:商务印书馆, 2002.
[7]Thomas Hellmann, The Role of Patents for Bridging the Science to Market Gap, Journal of Economic Behavior&Organiztion, Volume63, Issue4, August2007, pages688-715.
高校人岗匹配制度建设与思考 篇2
人岗匹配的思想最早出现在科学管理时代, 20世纪初, 泰勒、法约尔和韦伯提出了人岗匹配的思想, 最初目的是为了让员工在工作岗位上发挥其最大的贡献, 最大限度地提高劳动生产率, 其在后来的实践中得到不断的运用和推广, 促进了管理理论研究和实践的有益结合。之后, 很多学者开始关注人岗匹配和周边绩效与任务绩效的关系, 并展开了深入研究。虽然我国也积累了选人与用人及人岗匹配制度相关理论研究的思路和方法, 但还没有形成比较有规模的理论体系和应用型成果, 人岗匹配的实证研究比较少。尤其是新经济时代的到来, 各高校高层次人才队伍实现了跨越式增长, 各高校在高层次人才队伍建设表面的“繁荣”下, 尚没有一个可供借鉴的人岗匹配制度来对接。
二、目前高校人力资源管理中存在的不足
1. 高校人力资源年龄结构分布不合理。
高校教师的年龄结构体现高校科研和高校教学水平的稳定程度, 这对教师的连续性和承接性有着直接影响。在很多高校, 专家教授退休后, 往往会出现缺乏高级职称教师、学科带头人及科研主干等断档现象。以石家庄铁道大学为例, 45岁以上教师占教师人数的43%, 几年后教师队伍年龄老化, 高级职称教师就要退休, 不采取相应措施, 高校教师队伍专业职称结构将会出现更加不合理的状况。
2. 高校人力资源管理理念落后。
在很多高校中, 人力资源管理还处在管理行政性事物管理阶段, 所从事的仍然是管理人事, 没有向人力资源管理转型。高校领导对人力资源管理理念认识不透彻, 把人力资源管理部门的工作职能概括为招聘教师, 核对教师工资等相关工作。没有从人力资源的角度开发其中的价值, 人力资源的价值也没能有效的体现。
3. 缺乏人才动态优化机制。
目前, 高层次人才队伍结构失衡、队伍不稳定、考核办法单调、激励措施不当等, 在一定程度上制约了高校用人机制体系的完善。教师能进不能出、能上不能下使得当前高校教师的管理处在尴尬位置, 这也使得一些鱼目混珠、工作能力和专业水平不高的人担任高校教师岗位, 并出现不能胜任本职工作, 但却被破格提拔的现象, 缺乏相应的淘汰机制来优化教师队伍的整体综合素质。随着人员能力的提高, 会要求更合适的岗位或是在本岗位上不求上进、不再适合岗位的情况。这就需要对岗位责任, 重新对人员能力进行评估测量, 对人岗匹配绩效进行评价反馈, 逐步实现人岗匹配。
三、人岗匹配制度下高校用人机制建设的路径
1. 在岗位及人员的管理上, 适时调整“因人设岗”“因岗设人”管理理念, 两者互为补充。
因人设岗凸显了特殊人才的作用。因人设岗给予了人才充分施展才能的平台, 岗位职责内容富有弹性, 这种以优秀人才为核心的岗位设置原则, 无疑对人才有极大的激励效应, 同时也降低了人才招聘成本。用因人设岗的管理策略, 对组织结构进行及时拆分与调整, 不仅挽留了核心人才, 也降低战略型人才的流失率。
2. 有效进行岗位分析和岗位设计。
工作岗位设计时, 要科学灵活设岗, 第一, 应有科学的发展的眼光, 避免短视行为;第二, 注重人才流量的同时亦要关注人才的存量, 做到“引得来, 留得住”, 使单位的人才结构科学合理, 内外均衡;第三, 及时发现和鉴别战略型人才, 并采用灵活多样的人才管理策略长久留住稀缺人才。
3. 人岗匹配制度下人才个体因素分析。
第一, 工作岗位的职业取向特征。根据个人价值取向, 充分考虑个人意愿, 能有效提高岗位满意度、充分激发个人潜能和主观能动性的发挥。第二, 性格特征。在专业对口岗位需求的基础上, 认真分析个人性格特征, 包括现实型、研究型、社会型、传统型等, 进行适合的人岗匹配。第三, 工作能力和工作技能特征。对于高校而言, 无疑更注重学术成果和教学质量的考评, 在实践上需要更为科学的考评体系。
4. 注重提高高校人才的基础管理和过程管理, 做到尊重知识、尊重人才。
以人为本、提升服务质量, 将以人为本的理念融入到各项管理中。尊重教师的独特性, 在制度政策的设计中体现差异, 避免简单粗暴的“一刀切”, 努力做到求同存异。比如科研薄弱者可能成为教学能手, 不擅长教学者可能成为科研领域的领军人物, 每个教师都能在学校发展中找到自己的用武之地, 感受到成功的快乐。在充分发挥每个人潜力的同时, 形成一个发现人才、识别人才, 选合适的人干合适的事, 做到岗须其才、人需其岗, 使人岗的匹配达到最佳状态。
四、保障措施
1. 健全人才队伍建设工作领导机制。
人才队伍建设是一项长期艰巨的系统工程, 各级领导要充分认识到此项工作的重要性、紧迫性和艰巨性。坚持以人为本, 贯彻“人才资源是第一战略资源”的思想, 坚持党管人才原则, 建立健全学校人才工作领导小组, 充分发挥人才领导小组的统筹、协调作用。统筹考虑人才队伍建设与学科建设等各类关系, 要有爱才之心、容才之量、用才之艺。
2. 构建三级人才队伍建设规划与实施体系。
制定学校、院 (系) 、系 (教研室) 三级《师资队伍建设规划》, 分别确定各级师资队伍建设目标并制定具体措施。院 (系) 和系 (教研室) 要结合本单位学科特点, 制定本单位学科规划、人才引进和培养计划及具体落实措施, 积极主动地开展工作, 根据目前高校和各单位人员情况, 合理调配, 充分发挥学科带头人的引领作用和骨干教师的特长与积极性。通过多种渠道吸引高层次人才, 尤其是高水平学科带头人。
3. 统筹各类资源, 加大投入力度。
以人才队伍建设为根本和出发点, 围绕人才引进与培养, 统筹考虑经费、场地、设备等各类资源的使用。广开渠道, 吸引、利用各种社会资源, 设立各类人才基金用于人才队伍建设。
摘要：随着高校间竞争的加剧, 若想在激烈的竞争中实现可持续发展, 提升核心竞争力, 就必须对人力资源进行合理高效配置——人岗匹配。基于此, 从人岗匹配制度建设的思路和途径出发, 提出一些有效的指导措施。
关键词：高等学校,人力资源管理,人岗匹配,匹配制度,优化配置
参考文献
[1]袁有明.人力资源管理中的人岗匹配问题[J].市场周刊, 2008 (9) .
[2]李芳琳.事业单位专业技术人才配置研究[J].经济管理者, 2014 (1) .
[3]张佳.人岗匹配让就业“动”力十足[J].中国人力资源社会保障, 2013 (12) .
[4]金鑫, 孙玮鸿, 李德梅.浅论教师轮换制度中的原则、机制、模式及管理[J].教学与管理, 2013 (33) .
[5]徐正新.以人为本发挥人事管理工作在高校发展中的基础作用[J].黑龙江生态工程职业学院学报, 2014 (1) .
[6]林丹阳.高校人事管理改革的思考[J].理论观察, 2013 (11) .
[7]龚玲.高校人事管理工作的改进与创新[J].佳木斯教育学院学报, 2013 (10) .
[8]刘广敏.高校人事管理制度创新与可持续发展[J].现代商业, 2013 (26) .
[9]吴杰.基于人性化管理理念的高校人事管理制度改革与思考[J].云南社会主义学院学报, 2004 (2) .
[10]张福胜.创新高校人事管理工作的研究与探讨[J].吉林化工学院学报, 2013 (12) .
匹配制度 篇3
目前针对图像匹配的主要方法有基于像素点匹配的归一化积相关灰度匹配、序贯相似性检测匹配(Similarity Sequential Detection Algorithm,SSDA)、基于特征匹配的[1](Scale-Invariant Features Transform,SIFT)和仿射不变特征点提取方法Harris-Affine[2,3,4]。模板匹配的主要思想是将待匹配的图像作为模板图像,以窗口的方式,在待查找的源图像中扫描一遍,通过该模板所对应区域的图像与模板图像之间的相似距离来判断识别的结果。序贯相似性检测匹配主要解决模板匹配算法计算量大的问题,模板匹配每滑动一次就要做一次匹配运算,除了匹配点外在其他匹配点做了“无用功”,导致匹配算法计算量上升,一旦发现所在的参考位置为非匹配点,立刻换到新的参考点计算,加大匹配速度。SIFT方法能够从匹配图像中提取显著不变特征,使不同视角目标或场景图像稳定匹配,该特征向量对图像尺度、旋转变化、噪声和光照变化不敏感。由于SIFT 对目标遮挡和图像混杂稳定性较强,因此在目标识别中取得良好效果。仿射不变特征方法主要解决大视角变化的图像匹配问题,在仿射高斯空间的基础上,用多尺度Harris特征点,检测算子提取适应仿射变换的特征点,然后用特征点的椭圆邻域代替圆形邻域。通过迭代估计特征点邻域的仿射形状,不断调整特征点所在的尺度、位置和形状收敛直到不变为止,最终得到仿射不变特征向量。利用像素点进行匹配的主要缺陷是计算量过大,对图像的灰度变换敏感,尤其是非线性的光照变化。此外,对目标的旋转,变形以及遮挡也比较敏感[5]。因而基于像素点匹配的方法不适合实际场景中的应用,为克服这些缺点,可以利用图像的特征进行匹配,一方面图像的特征点比像素点要少,减少了匹配过程的计算量。另一方面局部特征点[6]的匹配度量值对位置的旋转、变形以及遮挡不是很敏感,可以大大提高匹配的精度。而且特征点的提取过程可以减少噪声的影响,对灰度变化,图像变形以及遮挡等有较好的适应能力。文中采用失配函数的思想,解决像素点计算量过大的缺陷,同时利用局部特征匹配的优势,提高图像匹配的精确度和执行速度。
1 尺度不变特征
尺度不变特征(Scale-Invariant Feature Transform,SIFT)是一种计算机视觉用于侦测与描述图片中局部特征的,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量等相关特征。
局部特征的描述与侦测可以帮助识别物体,SIFT特征是基于物体上一些局部外观的兴趣点,而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度较高。基于这些特性,它们是高度显著而且相对容易撷取,在庞大的特征数据库中,容易辨识物体且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也较高,甚至只需要3个以上的SIFT物体特征就能计算出位置与方位。在现今的计算机硬件速度下和小型的特征数据库条件下,辨识速度可接近即时运算。SIFT特征的信息量大,适合在海量数据库中快速准确匹配。
SIFT架构中的特征点是利用不同尺度下高斯滤波器(Gaussian Filters)进行卷积(Convolved),然后利用连续高斯模糊化差异,根据不同尺度下的高斯差(Difference of Gaussians)中最大最小值导出,其公式如下
D(x,y,σ)=L(x,y,kiσ)-L(x,y,kjσ) (1)
其中,L(x,y,kiσ)是在尺度kiσ的条件下,由原始图像I(x,y)与高斯模糊G(x,y,kσ)进行卷积
L(x,y,kσ)=G(x,y,kσ)*I(x,y) (2)
G(x,y,kσ)是尺度可变高斯函数
为减少噪声对特征点的影响,避免将边缘附近的点也误认为是特征点,采用Hessian[7]矩阵对极值点进行过滤,其公式如下
在得到特征点的尺度和位置信息后,为使特征点描述向量对旋转不变,需要为特征点分配角度信息。计算特征点梯度大小m(x,y)和角度θ(x,y)。
θ(x,y)=tan-1(G(x,y+1)-G(x,y-1))/G(G(x+1,y)-G(x-1,y)) (6)
最后利用特征点的梯度方向构建一个36 bin 的角度直方图,直方图的峰值代表局部梯度的主方向。以特征点为中心取16×16个像素的窗口,分成16个4×4的子块,在每个4×4的子块上计算0°,45°,90°,135°,180°,225°,270°,315°这8个方向的梯度大小和梯度方向直方图。因此,一个4×4的子块可以得到一个8方向描述符,则16个4×4的子块可以得到128个方向描述符,这个1×128的向量就定义为特征描述符向量。如图1所示分别在不同像素下提取的SIFT匹配特征,图1(a)是相同大小测试图像和匹配图像,分辨率较低,其特征点的个数只有5个,图1(b)特征点的个数为32个,图1(c)特征点个数为43个,图1(d)特征点个数为106个。
2 匹配函数
文中提出的匹配函数[8]是利用匹配本身的特征信息来决策出重新进行匹配的起始点。假设特征序列构成的描述符向量可以表示为一串由字母组成的字符串:P=abcabcacab,同样查找图像的特征序列也被表示成一串很长的字符串:S=…abacbdfe…,问题转变为在主串S中查找出是否具有P特性的匹配串。
令S=s0s1…sm-1是主串,要确定P是否在si开始处匹配。如果si≠a则接下来显然要用si-1与a比较。同理,若si=a且si+1≠b,则接下来要用si+1与a比较。若sisi+1=ab且si+2≠c,则有以下情形
S=· a b· · · ·
P=a b c a b c a c a b
其中,“?”表示S在该位置的值是多少无关紧要。第一个“?”表示si+2且si+2≠c,下一次应该用P的第一个字符直接与si+2比较,而不是与si+1比较,因为P的特征序列的第2个字符b与S中si+1相等,一定有si+1≠a。假定P的前4个特征字符和S匹配,但下一个特征字符失配,即si+4≠b
S=· a b c a · · · ·
P=a b c a b c a c a b
此时应该用si+4与P的第2个特征字符进行比较,等效于把P向右滑动,使它的子串对准S的一个子串,然后比较两个相等子串后面的第一个字符。可以得出,根据特征字符串P中的字符信息,以及匹配失效主串的字符位置,可以确定接下来应该用特征字符串中的哪个特征字符和主串的当前失配字符继续比较,而无需回去比较主串的较前位置字符。
特征串p=p0p1…pn-1的匹配函数定义为
由定义可得,如果部分匹配结果是si-j…si-1=p0p1…pj-1且si≠pj,则接下来如果j≠0,应该用si与pf(j-1)+1相比;如果j=0,用p0与si+1相比。
3 算法执行
图像匹配的过程是目标图像在测试图像中查找相似特征的目标。首先将目标图像分割,假设目标图像的大小是M×N,对图像长M进行m等分,对图像宽N进行n等分,这样目标图像就被分割成m×n个大小模块的子图像,每个子图像的大小为
分割好的目标图像分别计算SIFT局部特征,将计算完的特征按照图像字块的顺序从左到右从上到下排列成一行序列,其长度为m×n,目标图像就被表示成了一串具有SIFT特征的序列串,每个串的值代表了当前分块子图像的细节特征表述,如图3所示。
分块子图像的SIFT特征是1×128个特征向量描述符。它包含了该子图像的特征信息,由于每个子图像包含的细节不相同,保证了特征序列间没有太大的关联性,同时子图像内容之间是连续的,特征序列之间又保持着关联性。同样测试图像也按照上述方法进行分割,在测试图像匹配目标图像就转变到在测试图像特征序列里查找目标图像的特征序列,SIFT提取出的特征向量表述符之间的相似性采用欧氏距离的来确定,设置某一阈值σ,当特征向量之间的欧氏距离<σ时,判定这两个特征向量之间是相似或者相近的,当特征向量之间的欧氏距离>σ时,判定该特征向量之间不匹配,利用匹配函数重新定位新的匹配点,重新进行匹配,直至测试图片整个特征序列结束。
算法执行流程如下:
(1)初始化测试图片和目标图片,分别将其转化成灰度图像。
(2)测试图片和目标图片分别分割成具有相同大小的子图像,并按图像内容组织成一行序列。
(3)分别对上述一行序列进行SIFT特征提取,以向量的形式存储。
(4)计算测试图片的特征序列和目标图片的特征序列是否相近或相似,如果相似则继续匹配,否则转到(5)。
(5)利用匹配函数计算出在测试图片中失效匹配点重新匹配的位置,重复(4)。
(6)测试图像特征序列结束,输出匹配序列。
4 实验结果
本方法利用SIFT对目标分割子图像进行特征提取,将提取出的特征按照子图像分割的序列进行重构,目标图像和测试图像就转换成一行具有特征描述符的序列,对特征描述符进行匹配函数计算,进行匹配过程。图片大小直接影响到子图像的分割和特征序列的生成,同时提高各个子图像不同的特征序列之间的差异性,实验图片选取分辨率较高的1 500×1 500的测试图片和分辨率为300×300的目标图片,子图像的大小为15×15,这样测试图片就被划分为10 000个特征序列,目标图像被划分为400个特征序列。特征序列之间的相似度和相近程度用欧氏距离来确定,实验的过程中欧氏距离的误差阈值σ≤20,当欧氏距离在这个范围内,特征图片匹配。实验一方面从单张图片匹配结果进行讨论,另一方面从单张图片在模板匹配方法,序贯相似性匹配方法和SIFT本身匹配进行比较。图4显示的是匹配的结果,图4(b)中灰色区域为匹配的目标区域,如图5所示,黑色为匹配结果,从图中可以看出,除了目标区域被匹配,其他区域也被匹配,实验过程中为了降低匹配函数带来的负面影响,在最优情况下连续20个特征序列匹配,该20个特征序列就是 匹配的区域,匹配过程中产生的其他匹配是因为在该20个特征序列内,其相似程度的欧氏距离都小于阈值σ≤20,由于增大了连续匹配成功的特征序列的长度以及减小特征序列的相似度的阈值,使得匹配的结果较为合理。实验的目标区域特征为房屋建筑,具有棱角和直线的特征,在区域划分很小的情况下很难区分出来,导致结果在房屋建筑上匹配有误差。
匹配函数在目的上解决了重新匹配的新配点的计算,同时又是以局部特征为匹配,而不是以单纯的像素点来匹配,加大了匹配的速度,其匹配执行速度要高于模板匹配,序贯相似匹配方法和SIFT本身匹配进行比较,表1显示了在上述匹配方法执行速度。
5 结束语
文中主要利用提出的匹配函数来对图像匹配进行快速匹配,加快图像匹配的速度,关键点在于子图像的划分和局部特征提取,子图像的大小直接影响到局部特征的提取,子图像太小,局部细节丢失严重,特征序列之间的相关性丢失,匹配函数匹配重复计算率提高,子图像太大,特征序列之间相关性过大和宽度过短,匹配函数不起作用。局部特征提取才用SIFT特征提取,一方面SIFT特征在全局图像匹配中具有良好的匹配结果,在其基础上加快处理速度。因子图像的划分和相似度的阈值是根据仿真和先验只是初步估算,接下来的工作主要研究子图像大小的划分和局部特征的提取,从图像本身特征的角度自适应划分子图像的大小以及对其局部特征的提取。
参考文献
[1]LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision(S0920-5691),2004,60(2):91-110.
[2]MIKOLAJCZYK K,CORDELIA S.Scale&affine invariant interest point detectors[J].International Journal of Comput-er Vision(S0920-5691),2004,60(1):63-86.
[3]MIKOLAJCZYK K,TUYTELAARS T,SCHMID C,et al.A comparison of affine region detectors[J].International Jour-nal of Computer Vision(S0920-5691),2005,65(1):43-72.
[4]MIKOLAJCZYK K,CORDELIA S.A performance evaluation of local descriptors[J].IEEE Transactions on Pattern Anal-ysis and Machine Intelligence(S0162-8828),2005,27(10):1615-1630.
[5]ZHAO Zhenbing,WANG Rui.A method of infrared/visible image matching based on edge extraction[C].International Congress on Image and Signal Processing,2010:871-874.
[6]田金文,杨磊.基于局部分形特征的快速图像匹配方法[J].华中理工大学学报,1996,24(2):12-14.
[7]刘小军,杨杰.基于主成分分析的放射不变特征图像匹配方法[J].系统仿真学报,2004,20(4):977-980.
匹配制度 篇4
立体视觉是由摆放于不同位置的2个摄像头获得同一场景的图片,通过计算视差,获取物体的深度信息。其在机器人导航和三维建模等热点领域有着广泛的应用。而立体匹配一直是立体视觉中的核心和难点,其主要任务是找到2幅图像之间对应的匹配点。到目前为止,还没有算法能够完美解决这一问题,因此如何快速、准确地进行匹配仍然具有重要的意义。根据文献[1]的分类标准,现有的立体匹配算法可以分为全局立体匹配算法[2,3,4]和区域立体匹配算法[5,6,7,8,9]2大类。全局立体匹配算法要综合考虑整个图像的特征,能够得到精确的视差图,缺点是算法复杂,迭代过程非常耗时,不适合进行实时处理。基于区域的立体匹配算法是将为每一个待匹配的像素分配窗口,用窗口内的信息作为特征,从而找到匹配的像素点,能够产生稠密的视差图,且匹配时间较之全局算法大大降低。目前较为前沿的有基于联合匹配代价的立体匹配[6]、自适应加权立体匹配[7]等算法。虽然取得了较好的匹配效果,但与传统区域匹配算法相比算法复杂。其60 s左右的运行时间在现有硬件条件,特别是闭环系统中,适用范围依然较小。
1 加权匹配代价和色彩分割
本文算法主要基于色彩分割的视差假设,同一分割区域内视差变化平滑,一定范围内同属某分割区域的像素视差相等[10,11]。而在实际情况中,特别当图像过分割的情况下,色彩突变总是伴随着深度边界同时出现[6]。基于这个假设可以将立体匹配过程转化为寻找同一分割区域内视差值的问题。算法主要由计算初始视差及最终视差优化2个部分组成。在初始视差计算中采用了综合灰度差及灰度梯度的相似性测度函数。随后采用目前使用较为广泛的Mean-Shift算子对原图像进行分割[12],生成优化模板,对初始视差图像进行滤波。算法流程如图1所示。
1. 1 加权匹配代价
计算相似性测度函数是匹配算法的基础,目前比较常用的相似性测度函数有灰度差的绝对值之和( SAD) 、灰度差的平方之和( SSD) 、GRAD和归一化相关系数( NCC) 等。通过表达式对比发现,SAD的计算复杂度最小。而GRAD算子通过计算像素点梯度,有效地提高了匹配的准确度。将二者结合在提匹配精度的同时,降低了算法的复杂度。SAD和GRAD的表达式为:
式中,N( x,y) 是以点 ( x,y) 为中心的窗口; I1( i,j)为参考图像中像素点的灰度值; I2( i,j) 为匹配图像中像素点的灰度值; d为左右视图中对应像素点的视差。
式中,"x是水平方向的梯度; ▽y是垂直方向梯度;Nx( x,y) 和Ny( x,y) 分别是以点 ( x,y) 为中心的水平方向和垂直方向上的邻域窗口。
在相似性测度函数中窗口的选择一直是最核心的问题。较大的窗口会在全局上改善匹配精度,同时也会增加匹配时间及视差不连续区域的误匹配率。本文算法为解决这一问题,对原有相似性测度函数做了简化,取消了原有的窗口,只计算对应像素点的灰度值之差。从而降低算法的计算量,避免了视差不连续区域的膨胀效应。
简化后的SAD和GRAD表达式为:
将SAD算法和GRAD算法结合作为匹配代价,计算方法为:
式中,ω1和ω2分别为CSAD( x,y,d) 和CGRAD( x,y,d)的权重因子。通过大量实验发现,当ω1和ω2的绝对和为1,即︱ω1+ ω2︱= 1时匹配效果较好,反之误差数会增多。
1. 2 Mean-Shift 图像分割
Mean-Shift算子最早由Fukunaga[13]提出,核心是一个算法迭代过程。首先计算出初始点的偏移均值,并使该点移动到其偏移均值。随后将该点作为新的起始点并继续移动,直到满足一定的约朿条件迭代结朿。假设xi( i = 1,…,n)为给定d维空间Rd的n个样本点,那么基本Mean-Shift向量的定义为:
式中,Sh表示半径为h的d维球形区域,满足以下关系的y点的集合,
式中,( xi- x) 表示落在球形Sh区域内的样本点相对于起始点x的偏移向量; k表示在这n个样本点xi中,有k个点落入Sh区域中。由于Mean-Shift图像分割算法和人眼对图像的分析特性非常相似,经过分割后的图像可以很好地区分不连续点与弱纹理区域。这也是本文选择Mean-Shift算子进行图像分割的根本原因。Mean-Shift图像分割步骤为: 1初始化起始点并开始迭代过程; 2记录每一个像素点收敛的位置,将收敛于同一点的像素点归为一类,并赋予标号; 3当所有像素点都满足约束条件,分割结束。
1. 3 初始视差优化
在完成了初始视差计算及图像分割后,算法便简化为在初始视差矩阵中以分割后图像为优化模板,寻找相同区域内视差值的问题。优化步骤为:1将分割得到的图像灰度化,计算分割区域内像素的灰度平均值,并将其赋给相同区域内所有像素点;2以处理后的图像作为模板优化初始视差图像,统计分割区域内出现次数最多的视差值并将其作为该区域的视差,得到最终结果。
2 实验结果及分析
为了验证本文算法的匹配效果,在Intel Core i52. 5 GHz、4 G内存的Windows平台下用Matlab实现算法,采用来自Middlebury的国际标准图像Tsukuba进行测试,取得了较好效果,并将本文算法与SSD算法进行比较。算法对标准图像的实际处理结果如图2所示。窗口分别为3* 3、5* 5和7* 7时SSD算法匹配得到的视差图像及本文算法结果,如图3所示。
表1列出了Middlebury提供的非遮挡区域误匹配率( nonocc) 、所有区域误匹配率( all) 和视差不连续区域误匹配率( disc) 这3个定量参数的量化评价结果,并与传统算法做了比较。可以看出随着SSD算法窗口的增大,其总体误匹配率降低,但在视差不连续区域并没有太大改善。而本文算法在提高所有区域匹配效果的同时,其在视差不连续区域的匹配效果较之SSD算法有了很大程度的改善。误匹配率由最高46. 9% 降至22. 9% 。
2种算法的计算效率的比较如表2所示,可以看出本文算法计算速率较传统算法提高了2 ~ 3倍。
通过对表1、表2和图3中本文算法及传统立体匹配算法的匹配结果的分析可知,由于本文算法简化了相似性测度函数,匹配复杂度与传统算法相比明显降低,匹配速率有较大提高,能够很好地处理视差不连续区域,没有出现边界的膨胀效应。同时,视差优化解决了简化相似性测度函数带来的大片弱纹理区域的误匹配问题,使最终的匹配精度较之传统算法有了很大改善。
3 结束语
在深入研究了加权匹配代价和色彩分割的视差假设后,提出了基于加权匹配代价和Mean-Shift图像分割的立体匹配算法。首先运用加权匹配代价计算初始视差矩阵,随后将经过色彩分割后的图像作为模板优化初始视差。实验结果表明本文算法有效改善了视差不连续区域的匹配精度,同时大幅度地降低了匹配时间,可作为一种实用的算法投入应用,同时为后续算法的优化提供参考。
摘要：针对现有立体匹配算法复杂、耗时较长的特点,提出了一种基于加权匹配代价和色彩分割的立体匹配算法。算法引入一种基于梯度差算子与绝对差算子加权的匹配代价计算初始视差。根据基于色彩分割的视差假设,采用Mean-Shift算子对图像进行分割,用分割后的图像作为模板优化初始视差。实验结果表明,该算法提高匹配精度和速度,具有良好的实用价值。
图像匹配技术综述 篇5
1、图像匹配技术四要素
一般来看, 图像匹配可以作为四个要素的组成:特征空间、搜索空间、相似性测度和搜索策略。选取特征要考虑三点因素:首先, 选取的特征必须是原始图像和待匹配目标图像所共同具有的特征;其次, 特征集必须包含足够多的分布均匀的特征;再次, 所选取的特征要易于特征匹配的计算。搜索空间是在输入特征与原始特征之间建立的对应关系的可能的变换集合, 成像畸变的类型与强度决定了搜索空间的组成与范围。相似性测度的作用在于对从搜索空间中获取的一个给定的变换所定义的输入数据域参考数据之间的匹配程度的评估。搜索策略是指在相似性测度下达到最佳匹配的计算方式, 即采用合适的方法在搜索空间中找到平移、旋转等变换参数的最优估计, 使得相似性测度达到最大值。
2、图像匹配技术的分类
以往的图像匹配方法, 大致可以分为三类:基于特征点、灰度分布和频域。基于特征点的图像匹配技术是目前最常用的方法之一, 其最大的优点是能够将对整个图像进行的各种分析转化为对图像特征点的分析, 从而大大提高了运算的速度, 对图像偏移、旋转, 灰度变化等都有较好的适应能力。本文的主要工作是研究了这三类图像匹配方法, 分析各种方法的优缺点, 重点研究了基于特征的匹配方法。
2.1 基于特征点匹配方法
基于特征点匹配方法一般分为三个过程: (1) 特征点提取; (2) 利用一组参数对特征点作描述; (3) 利用特征点的参数进行特征匹配, 根据相似性原则对两幅图像中的特征点进行匹配。其最大的优点是能够将对整个图像进行的各种分析转化为对图像特征 (特征点、特征曲线等) 的分析, 从而大大减小了图像处理过程的运算量, 对灰度变化、图像变形以及遮挡等都有较好的适应能力。下面介绍三种基于特征点的匹配方法。
2.1.1 SUSAN特征点算法
SUSAN算法[1]的基本原理是通过以一个点为中心的局部区域内亮度值的分布情况来判断平滑区域、边缘及角点。如图1所示, 一个在图像上移动的圆形模板, 模板的中心称为核心, 它的位置有以下五种形式。图像一定区域的每个象素的亮度值与核心点的亮度值相比较, 把比较结果相似或相同的点组成的区域叫做USAN (单值分割相似核心) 。USAN区含有图像在某个局部区域的结构信息, 而大小反映了图像局部特征的强度。
SUSAN算子使用的是圆形模板来进行角点探测, 一般使用模板的半径为3-4个像元, 模板在图像上滑动, 在每一个位置求亮度相似比较函数, 并计算合计值, 就得到了USAN区域的面积, 而后再跟一个给定阈值进行比较。计算重心求出核到重心的距离, 对应正确角点, 若重心距离核较远, 就能以距离消除虚假角点的影响。最后使用非最大抑制 (No Max Suppression) 方法, 这样就可以找出角点。
近年来, Yu Song等人[2]提出了一种自适应阈值的检测算法, 解决了SUSAN算子对灰度细节丰富的图像检测效果不佳的问题。
2.1.2 SIFT特征点算法
SIFT特征点匹配算法[3]是David G Lowe在1999年提出的, 并于2004年总结了现有的基于不变量技术的特征检测方法的基础上, 提出的一种基于尺度空间的特征匹配算法[4]。SIFT特征匹配算法分四个步骤来实现:一是尺度空间极值点求取, 二是特征点位置确定, 三是为关键点指定方向参数, 四是关键点描述子的生成。匹配的方法是:在获得第一幅图像的特征向量后, 将采样点的欧式距离作为相似性度量。取帧图像中某个关键点, 找出其与图像中欧式距离最近的前两个关键点, 在这两个关键点中, 如果最近的距离与次近的比值小于某个阈值, 则接收这一对匹配点。降低比例阈值, SIFT匹配点数目会减少, 但匹配更稳定可靠。G Yu和J M Morel[5,6]克服了拍摄倾角过大造成的仿射变换的影响, 提出了ASIFT, 确保了特征稳定性, 提高了鲁棒性。
2.1.3 SURF特征点算法
2006年, Herbert Bay[7]提出了SURF算法, 其整体思路同SIFT类似, 特征点检测理论也是基于尺度空间, 但在整个过程中采用了与SIFT不同的方法。首先, 在尺度σ上定义Hessian矩阵, 用该矩阵的行列式计算图像上特征点的位置和尺度信息。其次, 为保证旋转不变性, 确定特征点的主方向。以特征点为中心, 将坐标轴旋转到主方向, 将其划分成4×4的子区域, 在每个子区域形成四维分量的矢量, 对每一特征点会形成4× (4×4) =64维的描述向量, 再进行归一化, 从而对光照具有一定的鲁棒性。SURF在各方面的性能均接近或者超越了SIFT的性能, 但是计算速度却是SIFT的3倍左右。
2.2 基于图像灰度相关的匹配算法
基于灰度信息的图像匹配方法一般不需要对图像进行预处理, 而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。这类算法的性能主要取决于相似性度量及搜索的选择上, 其主要特点是实现比较简单, 但因为是基于像素的, 所以计算量比较大, 应用范围较窄, 不能直接用于校正图像的非线性变换。下面简单介绍几种经典的匹配算法, 大致可以分为三类:序贯相似度检测法、互相关法、交互信息法。
2.2.1 序贯相似度检测匹配法
1972年, Barnea等人根据传统相关方法提出了一种为之有效的算法SSDA[8], 从而得到很好的效果。这种算法在两方面有了显著的改进, 一是简化计算, 利用图像f和模板T之间的差值来表示变化。与相关法相比处理效果差不多, 同时显著的提高了运算速度。二是改进使用了一种序列搜索的策略, 由检测范围和模板大小定义了一系列窗函数和阈值, 而每一个窗函数作用到图像中, 当相似性超过阈值后, 就进行次数累加, 而后在次数最多的窗口里进行匹配, 重复迭加细化直至得到所需要的结果。近年来, 人们对该算法提出了很多的改进, Shi等人[9]基于特征提出强角点算子引导SSDA匹配方法, 使其能更好的满足匹配的要求。
2.2.2 互相关法
1982年, Rosenfeld提出的互相关法[10]。它像是一种相似性度量或者匹配程度的表征, 而不是一种图像匹配的完整方法, 但是把互相关的思想作为度量测度, 在许多匹配算法里都会用到。
对于一幅图像f (x, y) 和相对于图像较小尺度的模板T, 归一化二维交叉相关函数C (u, v) 表示了模板在图像上每一个位移位置的相似程度:
如果除了一个灰度比例因子外, 图像和模板在位移 (i, j) 处正好匹配时, 交叉相关函数就在C (i, j) 出现峰值。这时, 交叉相关函数有否归一化是必须注意的, 否则相似度的度量将会受到局部图像灰度影响。A.Roche等人[11]的改进算法能够较好的解决噪声的问题, 而且计算速度也提高不少。
2.2.3 交互信息法
1995年, Viola等人[12]把互信息引入图像匹配的领域, 交互信息是基于信息理论的相似性准则。这种图像匹配方法是假设A、B是两个随机量, 交互信息量是这两个随机变量之间统计相关性的量度, 或者是一个变量包含另一个变量的信息量的量度, 其意义与信息论中相同, 互信息量表示了两幅图像的统计依赖性, 它的关键思想是:如果两幅图像达到匹配, 它们的交互信息量达到最大值。因此, 作为图像间相似性的量度, 该方法是近些年来医学图像匹配研究领域中使用最多的一种方法。在此基础上, Maes等人[13]进行了全面的研究, 将匹配精度提高到亚像素级。
2.3 基于变换域的图像匹配的方法
基于变换域的图像匹配方法最主要就是傅里叶变换方法, 还有基于Gabor变换和基于小波变换的匹配。这些匹配方法主要有以下一些优点:对噪声不敏感, 检测结果不受光照变化影响, 图像的平移、旋转、镜像和缩放等变换在变换域中都有相应的体现。这里重点介绍傅里叶变换方法, 该方法有成熟的快速算法并且易于硬件实现。算法是考虑两幅图像I1 (x, y) 和I2 (x, y) 之间存在一个平移量 (dx, dy) , 即:
对其进行傅里叶变换, 在频域上1F与2F有下面的关系:
上式说明两幅图像变换到频域中幅值相同, 但有平移量有一个相位差, 这就是说两幅图像的相位差由图像间的平移量直接决定。根据平移定理, 这一相位差等于两幅图像的互功率谱的相位谱:
上式的右边部分为一个虚指数, 对其进行傅里叶逆变换会得到一个冲击函数, 其只有在峰值点也就是平移量 (dx, dy) 处不为零, 这个位置就是所需求的匹配位置。张锐娟等人[14]结合四元数理论, 提出一种基于四元数傅里叶变换的亚像素相位相关法, 能够稳定快速的实现匹配。
3、图像匹配技术算法的性能评价指标
对匹配技术算法的性能评估, 在这方面West[15]等总结了人们对匹配效果评价所做的许多工作。算法首先要进行性能界定, 也就是说将图像匹配问题视为参数估计的问题, 运用参数估计的理论和方法得到图像匹配可以达到的最好的性能。算法的性能评价指标主要有:准确性、鲁棒性、实时性等, 然而, 在不同的环境中用相同的匹配算法, 却会有不同的评价指标, 但总的评价准则只有一条:在实际应用中是否达到要求, 性能是否优于以前的方法。
但是, 完美的匹配算法是不存在的, 每种算法都有其适用环境, 这样才能使每次匹配操作能够做到最好, 发挥算法的最好性能。
4、图像匹配技术的研究方向和热点
图像匹配算法经过国内外学者的共同努力, 已经取得了很大的进展, 各类算法相继出现, 但是由于实际情况复杂多变, 现有算法总是存在一些不足, 目前在以下几个方面值得深入的研究:
(1) 当匹配图像中物体存在遮挡, 或者是特征点均匀性不是很好的时候, 提取特征要不不容易获取, 要不就是不可靠, 这可由粗到精的分析图像数据, 从全局匹配到局部匹配, 提高了匹配运算精度。因此, 研究基于非均匀性图像的匹配算法是很有必要的, 也是当今研究的方向和热点。
(2) 匹配算法的复合研究。前文介绍的匹配方法都有各自的优缺点, 如果能综合利用它们的优点将会取得更好的匹配结果, 将多个特征和算法相互融合, 以克服单个算法的局限性, 提高匹配的适应性。
(3) 研究基于遗传算法、神经网络和人工智能等方法相结合, 组成系统模型, 用来实现多目标的人工智能神经网络的匹配处理, 具有强大的记忆、选择、识别和学习的能力。
5、结语
立体匹配算法的比较 篇6
局部匹配算法主要包括区域匹配法、特征法。
1.1 区域匹配算法原理
区域匹配算法是以基准图像中待匹配点为中心像素创建一个大小为m×n窗口, 由该窗口内的像素灰度值来表征该像素。在第二幅图像中, 沿极线在视差搜索范围内取出与基准点同样大小的邻域, 依次与匹配点的窗口进行比较, 其最大相似性对应的点就是最佳匹配。
区域匹配算法的重点是匹配代价的计算和匹配代价的累积。匹配代价计算就是选取相似性测度函数, 而匹配代价的累积体现在支撑窗口的选取上。几乎所有的区域匹配算法都要关注这两个问题:
1) 选取相似性测度函数。常用的相似性测度函数如下:
(1) 最小绝对差算法SAD
(2) 最小平方差算法SSD
2) 选取支撑窗口大小。一方面窗口的尺寸要尽量的大, 以便为可靠的匹配包容足够的灰度变化;另一方面, 窗口太大则包含视差的较大变化, 则会因左右图像上不同的投影畸变, 使得匹配位置不准确。
1.2 区域匹配实验结果
分别用SAD相似性测度函数对Tsukuba匹配源图像对进行匹配, 采用3×3、5×5两种窗口。实验结果如图1.1所示:
2. 全局匹配算法
大部分全局算法基于能量最小化的思想, 寻找视差函数d, 使全局能量最小化。本文对一种常用的全局算法--动态规划法做重点研究, 与区域匹配算法进行比较。
2.1 动态规划算法
动态规划匹配算法在外极线单调顺序约束下寻找视差空间图像 (DSI) 上的最小代价路径。最优路径的代价是所有子路径的和, 这些子路径所经过点的匹配代价由相似性度量因子决定。
2.2 动态规划实验结果
针对Birchfield的动态规划算法, 所产生的视差图如图2.1所示。
3. 总结
基于区域匹配中匹配窗口较小时, 误匹配较多, 而窗口较大时, 边缘处又显得很模糊, 所以窗口大小与形状必须具有较强的适应性。动态规划是对一条扫描线计算全局匹配代价, 提高了匹配的准确性。但是动态规划有一个很大的局限性, 它缺乏对水平连续性约束和垂直连续性约束的融合。从匹配性能上看, 动态规划算法在边缘不连续区域有较高的误匹配, 而在其它区域的误匹配百分比都较基于区域匹配算法低;从匹配速度上看, 基于区域匹配相对于全局匹配较小的计算量, 使其匹配速度明显加快, 更适合对实时性要求较高的应用。
摘要：立体匹配是立体视觉中的关键技术之一, 能否有效地解决该问题影响着立体视觉的发展。本文研究了相似性测度函数和邻域窗口对基于区域匹配算法的影响, 实现了具有代表性的全局匹配算法——动态规划, 并与基于区域匹配算法进行了比较。
关键词：立体匹配,基于区域的匹配算法,动态规划
参考文献
[1]张广军.机器视觉[M].北京:科学出版社, 2005.
立体匹配技术发展研究 篇7
1 局部匹配算法
局部匹配的方法所选择的匹配基元基本上分为三类, 据此局部算法分为区域匹配算法、特征匹配算法、相位匹配算法。
区域匹配算法用基准图像中点的邻域的窗口内像素的灰度值的某种分布如常用的SAD来表征待匹配点, 以在此表征下的相关程度为标准, 在对准图寻找对应的一个匹配像素点。区域匹配算法能够在平坦的丰富纹理区域获得稠密的视差图, 这是区域匹配最显著的优点。
邻域窗口选取越小, 在视差不连续区域匹配精度越高, 但在低纹理区域不能覆盖足够的灰度变化匹配, 匹配效果不好;大窗口在重复纹理区域取得较好的效果, 而在弱纹理区域中的深度差不连续的区域易造成误匹配。所以通过自适应的窗口大小[2]或自适应权重的聚合方式来改进匹配效果。为了解决弱纹理区域的匹配问题, 一些研究提出了利用图像分割区域信息对其进行改进的算法。该类方法将亮度和颜色相似的像素聚类成一个分割块, 位于同一个分割块的像素的深度进行整体求解。由于自动分割往往会出现一些错误, 所以一些方法提出采用过分割或软分割技术来试图解决不正确分割所带来的问题。
区域匹配算法仅依赖于视图中灰度信息的变化, 使得其对噪声和图像的畸变敏感。
基于特征的匹配算法在左右立体视图上把分别由同一关键场景点投影所得像素点的对应关系找出来。特征点可以是图像中灰度梯度极值或边缘线交点的角点, 也可以是直线段, 面等结构特征。
特征匹配处理算法的优点包括: (1) 匹配准确度高。特征点属于高级图像结构信息, 鲁棒性强, 受光线和噪声等方面的影响小。 (2) 由于视差的深度不连续多会反映在包括了边缘, 梯度等信息的特征算子里, 所以其对于深度视差不连续区域的匹配效果好。 (3) 由于特征点数量有限, 所以匹配速度快。
由于特征在图像中的稀疏性, 提出的特征点的数量在整图中分布比较稀疏。这使得特征匹配算法不能得到稠密的视差图;而且特征点的提取和定位效果的好坏, 将很大程度上影响匹配的精度。
特征匹配常与同其他立体匹配算法相结合使用。例如分级特征匹配算法的思想是根据图像自身的结构特点分层提取边缘特征, 逐级构建特征分组。最终算法将所有信息融合。这样逐层分级的策略减少了搜索空间, 从而减少了计算复杂度。
最晚提出的局部匹配方法是相位匹配算法, 包括相位相关法和相位差-频率法。相位匹配算法的实质是寻找局部相位相等的对应点。与上述两类传统的方法相比较, 像素的相位信息本身反映了信号的结构信息, 对图像的高频噪声和畸变都不敏感。此匹配方法主要优点是适于并行处理高效实现, 可获得亚像素级精度的致密视差.但由于其对相位的各种扰动较为敏感, 一般只能得到景物的粗糙结构。
相位匹配算法需要解决相位奇点匹配问题和相位卷绕问题。通过相位奇点的检测和去除以及最邻点视差填补的办法可以解决相位奇点的匹配问题。徐彦君在研究中选择低冗余度的质数序列作为Gabor滤波器组的波长, 将相位匹配算法的收敛范围扩大, 实现了高效的尺度自适应选择算法, 克服了相位卷绕的问题。
2 全局匹配方法
2.1 态规划的匹配算法
基于动态规划的立体匹配算法将匹配过程看成是在左右图像对应扫描线上寻找最小匹配代价路径的过程, 规划出的路径由趋于具有最小匹配代价的匹配点的集合构成, 即正确匹配点的集合。
但传统的得到的视差图中存在水平条纹瑕疵。原因是动态规划是基于扫描线进行处理, 缺乏水平连续性约束和垂直连续性。半全局的立体匹配算法被提出来, 用多个一维平滑约束来近似匹配像素的二维平滑约束, 在多个方向上进行动态规划。该算法改进了条状瑕疵现象, 但依然不能利用图像中的绝大部分像素来计算视差。例如在低纹理区域, 可能没有一条路径能够搜索到足够的纹理信息就会导致错误匹配。
2.2 图割法和置信度传播立体匹配算法
图割法和置信度传播算法本质上都是运用马尔科夫随机场来进行全局匹配的优化, 仅仅是在构图时和构造能量函数时所采用的方法不同。
置信度传播 (BP) 算法是一种基于消息传递机制的马尔科夫随机场最小化能量估计方法。置信传播算法利用最大积算法求解整幅图像全局能量最小值时的视差分布。置信传播算法的优点是能很好地处理深度不连续区域和低纹理区域。这是由于其消息传输能够适应图像中区域的特点自动调节消息传输时的距离的远近, 计入了相邻像素点以及不相邻像素点
基于Matlab Builder JA的QPSK调制解调在线仿真
程赛
(云南大学信息学院, 云南昆明650091)
摘要:阐述了基于Java Web和Matlab Builder JA开发的一般模式, 将Matlab强大的仿真计算能力应用到Web环境中。在浏览器中输入Matlab程序参数并提交给服务器, 服务器结合Web Figure图形方式的使用, 将实验结果直观地返回, 实现了交互式操作。通过这种B/S方式, 完成了二进制数字信号的QPSK调制与解调的模拟仿真。
关键词:Matlab;Builder;JA;Java;Web;QPSK;调制;解调
中图分类号:TN911.3文献标识码:A
0引言
Matlab以其强大的矩阵处理能力和丰富的图形渲染能力在工程计算和教育科研领域有着广泛的应用。其中基于Web的应用也越来越受到重视。但是, Matlab 2006b之后的版本却不再支持Matlab Web Server功能[5]。官方推荐使用Matlab Builder NE/JA来取代Web Server的功能[8]。
Matlab Builder JA用来将M函数文件创建成一个Java组件, 它支持Matlab的所有功能。将生成的Java组件作为Servlet或其他Java程序的外部添加库, 通过访问这些库中类的方法来调用MCR产生处理结果[1]。
1系统构架
Matlab的Java Web应用, 包括J2EE服务器, Matlab Build-
对目标像素点的影响。置信度传播算法不足体现在:由于基于逐个像素点之间的消息传输, 使计算量很大, 优化过程需要通过多次的迭代获得最终结果;二是单个像素点的颜色的畸变, 如在实际场景中, 由于噪声、颜色效应等原因, 造成的某些像素点颜色的突变, 从这种突变点进行消息传输, 算法精度将受到影响。
针对计算效率低下的问题, Felzenszw alb等人提出了一种分层的置信传播的方法, 缩短了一般的置信度传播算法的收敛时间。HBP得到的效果同标准BP算法相近, 运算的实时性方面可以同一些局部的方法相当。
图割方法是由Vladimir Kolmogorov等提出的将图论中的最小割算法运用到立体匹配的优化过程中, 通过求得最短路径的过程得出整幅图像的视差。步骤包括建立匹配能量函数, 构造网格图, 利用最大流求解能量函数的最小值。
图切割算法具有解决组合优化问题的良好性能, 在低纹
文章编号:1673-1131 (2012) 05-0045-02
er JA产生的Java组件和Matlab Compiler Runtime (MCR) 。MCR是一套运行经编译过的Matlab代码的库, 它允许在服务器端集成。终端用户通过Web浏览器发送请求到服务器, 服务器端程序调用Matlab Builder JA创建的Java组件, 调用MCR, 执行Matlab程序, 得到所需的结果并返回。图1显示了基于Java的Matlab Web应用的框架。
2 QPSK调制解调技术
QPSK (Quadrature Phase Shift Keying, 正交频移键控) 广泛应用于无线通信中, 是一种重要的调制解调方式。它利用载波的四种不同相位差来表征输入的数字信息, 分别有/4, 3/4, 5/4, 7/4四种载波相位, 调制时输入的是二进制数字序列, 为了配合四进制的载波相位, 则需把二进制数据变换为四进制数据, 也就是将二进制数字序列中每两个比特分成一组, 共有四种组合, 即00, 01, 10, 11, 其中每一组合称为双比特码元。每一个双比特码元是由两位二进制信息比特组成, 它们分别代表四进制四个符号中的一个符号。QPSK中每次调制可传输2个信息比特, 这些信息比特是通过载波的四种相位来传递的。解调时则根据星座图及接收到的载波信号的相位来判断发送端发送的信息比特[7]。
在QPSK调制中, 串/并变换器将输入的二进制序列分为速率减半的两个并行序列, 经电平变换后成双极性序列, 然后分别对cos t和sin t调制, 两路信号相加后得到QPSK调制信号。QPSK同相支路和正交支路可分别采用相干解调方式解调, 得到I (t) 和Q (t) 。经抽样判决和并/串变换器, 将上、下支
理区域、遮挡区域以及深度不连续区域, 能够获得相对其他方法更高的匹配精度, 因而能生产高精度的稠密视差图。另外图割方法在优化过程中收敛速度也相对更快。图割算法的计算量是非常大的, 应用中必须提高其时间效率。
摘要：比较分析了各种立体匹配算法的基本思想和各自的优点和局限性。为各种算法的融合和改进研究提供了分析指导。
关键词：立体匹配,局部匹配,全局匹配
参考文献
[1]Scharstein D, Szeliski R.A Taxonomy and Evaluation of Dense Two frame Stereo Correspondence Algorithms[J].International Journal of Computer Vision, 2002