圖像匹配在機器視覺課程教學中的探索與實踐

高直 朱志浩

關鍵詞：機器視覺課程；教學方法；圖像匹配；教學效果

0 引言

隨著人工智能技術的飛速發展，基于機器視覺識別技術的應用成為了很多行業的發展契機，如無人駕駛[1]、工業機器人抓取[2]、人工智能[3]、交通監控[4]、人臉識別[5]等。這一系列的應用都離不開圖像匹配技術，因此，圖像匹配研究已經成為當前機器視覺領域的一個熱點。

機器視覺課程是新工科建設的產物，以互聯網和工業智能為核心，著力培養創新型、應用型人才，華東理工大學于2021 年1 月起已經開設跨學科、跨專業的機器視覺算法課程[6]。機器視覺課程屬于一門多學科交叉課程，具有較強的應用性，能夠培養學生的高階思維[7]。

圖像匹配技術已經較為成熟，理論知識扎實，應用十分廣泛，如在醫學領域，通過圖像匹配技術對醫學圖像進行分析，醫生能夠結合分析結果獲取更多的有效信息[8]；如在航空航天領域，利用圖像匹配技術能夠提高飛行器的自主導航精度[9]。因此圖像匹配技術不僅能夠降低教師的教學難度，同時也能使學生盡快步入機器識別領域，激發學生的學習興趣。

1 機器視覺課程現狀

從目前的機器視覺課程教學來看，存在一些不足。

⑴ 教學模式死板，課堂乏味無趣，學生積極性不高

該課程在一些院校形成了較固定的教學模式。老師通常以板書和PPT 的形式向學生傳輸知識，學生學習動力不足，缺乏積極主動性。學生的學習成績多為考核理論知識，學生平時少學甚至不學也能夠靠突擊背誦知識點過關，考過后就忘。

⑵ 教學內容局限，資源配置不均

目前因為機器視覺課程是多學科交叉課程，故該課程的內容過于廣泛，內容深度對于初學者而言較難掌握。所采用的課本或教材陳舊，繁瑣的公式推導多，知識更新慢，與社會需求脫節。

⑶ 案例陳舊，致使學生盲目跟從學習

課程實踐對工科學生而言，尤為重要，機器視覺課程實踐對于剛接觸這一領域的學生來說，有些實踐項目案例陳舊，而且多以算法的數學推導為主，這只會讓學生陷入復雜繁瑣的數學邏輯中去。學生面對實際應用，只會跟隨老師操作，不能理解“為什么”，遇到問題不知所措。學生沒有參與度，最終為了考核死記硬背蒙混過關，無法體現教師的教學水平。

2 圖像匹配技術

在不同條件下獲得的圖像因角度、灰度等影響產生差異，圖像匹配就是通過對比方法識別出這些存在差異的圖像中的相同特征，其所用到的對比方法就是圖像匹配算法。圖像匹配算法主要分兩大類：基于灰度的匹配算法和基于特征。基于灰度的圖像匹配算法是利用圖像的像素灰度值信息，其包含了圖像記錄的所有信息，利用灰度信息建立兩幅圖像之間的相似性度量，采用搜索方法找到使得相似性度量值達到最大或最小變換模型的參數，因此該方法計算量過大，難以達到實時性要求；基于特征點的圖像匹配算法是目前的主流算法，其最大的優點是能夠對檢測出來的特征點通過特征描述呈現并根據相似原則完成匹配，在受到圖像角度、灰度、旋轉等影響下都有較好的適應能力[9]。圖像匹配的流程如圖1 所示。

圖像匹配算法經過多年的研究也出現了很多經典的算法，如SURF 和SIFT 兩種算法。2004 年，Low 等提出了一種尺度不變特征變化算法SIFT（Scale Invariant Feature Transform），在大多數情況下，該算法都取得了滿意的匹配效果，但是SIFT 描述符運算復雜，處理時間長，對于相似結構的圖像會有大量誤匹配點產生。在SIFT 算法的基礎上，Bay 等提出了耗時更短的加速魯棒特征（SURF）算法，SURF 算法通過對海森行列式算法的簡化，大大提升了運算速度。

諸多研究人員又在SURF 算法的基礎上提出改進，對SURF 算法的改進大都在圖像預處理、特征提取和模板匹配這三部分。對圖像預處理部分的改進，主要是為了之后能獲取更多的圖像特征信息；對特征提取部分的改進大都通過對描述符的降維或采用其他描述符來完成特征描述，以加快計算速度等；對于模板匹配部分的改進大多是通過添加約束條件實現對匹配結果精準度的提高。

3 圖像匹配在機器視覺課程中的優勢分析

機器視覺課程的基本內容是圖像匹配技術，學生通過學習圖像匹配技術，可以由淺入深的掌握機器視覺技術。因此，面對機器視覺課程的現狀，圖像匹配技術能夠帶來諸多優勢。

3.1 對機器視覺課程的改進

⑴ 理論與軟硬件教學相結合，提高學生的應用技能能力

圖像匹配技術對于整個機器視覺領域而言難度較低，學生易于接受，以SURF 算法為例，國外諸多大學針對SURF 算法已經開設多年相關課程，通過讓學生在掌握SURF 算法的基礎上，運用SURF 算法實現機器視覺中的一些應用，提高了學生的實踐能力，也不會因難度過大導致學生學習動力不足。對于國外大學的教學理念，可以取長補短，先熟悉編程環境，讓學生充分利用網絡資源，查閱相關文獻，了解經典圖像匹配算法，這些算法經典透徹，學生容易掌握。建立科研小組，能夠調動學生的積極主動性，將理論知識運用到實踐中，讓學生自己動手，編寫相關程序，能夠增強學生對Vs、Python、Matlab 等開發環境的掌握能力，同時也能激發學生的思考和創新能力。科研小組的成立使學習效果評價更科學合理，既避免了學生為應付理論考試的突擊背誦，也能體現教師的教學水平。

⑵ 調動學生的學習興趣

圖像匹配技術發展至今，在很多領域都發揮著極其重要的作用，呈現出一系列的應用成果，可以將互聯網上的諸多成功案例通過視頻的形式給學生進行講解，讓學生感受到這門課程的有趣之處，也能讓學生對自己的未來有所規劃，理解為什么學習這門課程該課程的學習對自己以后參加工作有何用處，將最新的應用實例呈現給學生，能夠調動學生對機器視覺課程的學習興趣，也能夠讓學生對自己學習的方向有更深的見解，拓展學生的思維。

3.2 教學案例分析

下面通過教學案例說明圖像匹配技術在“機器視覺”課程教學中的應用。

以SURF 算法為例，SURF 算法的基本流程同其他匹配算法一致主要分為三部分：特征點的檢測取、特征點提取與描述、特征匹配。SURF 算法一種比例和旋轉不變的興趣點檢測器和描述符（如圖2），SURF算法中借用積分圖像概念來減小算法的計算量，將圖像與高斯二階微分模板的濾波轉換為對積分圖像的加減運算，通過二階Hessian 矩陣完成特征點的檢測，對于一個圖像P = （x，y） 上的圖像尺度為δ 的點X?的Hessian 矩陣為：

利用Harr 小波響應確定特征點的主方向，并將同主方向水平的Haar 小波響應值定義為dx 和dy，通過計算他們的絕對值之和得到每個子區域的四個特征向量，計算所有的矩形區域塊得到64 維的特征描述子。

特征匹配通常是采用歐式距離的方法，針對基準圖像中的某一個特征點，在待匹配圖像中搜索出距離最近的特征點，歐式距離越小，則相似程度越高，當小于給定閾值時則判定匹配成功。

以圖2 為案例，該教學主要目的時使學生掌握處理圖像、特征檢測、特征提取及圖像匹配等基本技能，鍛煉學生軟件開發能力。

讓學生根據教材圖像處理的基礎算法動手編程，將圖像轉換為灰度圖像，對于灰度圖像進行特征提取，特征提取部分對圖像匹配的精度和速度都具有重要影響，圖像的特征包含：顏色、形狀等[10]，對于這部分可以著重講解。匹配結果如圖3 所示，讓學生采用歐氏距離的特征匹配進行對比分析，引導學生通過互聯網資料查閱學習，理解這兩種算法的區別，同時也能夠讓學生在查閱學習的過程中看是否能夠發現創新點，通過創新更進一步提高圖像匹配的精準性和實時性。通過案例的學習，為機器視覺課程打下基礎。

4 結束語

通過對機器視覺課程的研究，分析了現如今機器視覺課程存在的問題，并提出改進建議，探索了圖像匹配技術在機器視覺課程教學中的優勢，并通過案例分析了圖像匹配技術機器視覺課程的重要性，讓學生以圖像匹配技術為媒介對機器視覺課程建立一個完整的學習體系，由粗淺到深入，完成機器視覺的課程，取得了較好的教學效果。