摘  要： 為提高目標識別的準確性和快速性，提出了基于全局和局部特征對目標識別的方法?；陬伾狈綀D提取全局顏色特征，利用多尺度空間來表達目標的局部特征，最后將全局和局部特征進行數據融合得到圖像的識別結果。實驗結果表明，該方法很好地結合了目標的整體和局部信息，能有效地識別目標，且識別效果優(yōu)于單一的全局特征和局部特征的識別效果。
關鍵詞： 目標識別；全局特征； 局部特征； 數據融合

    實際意義的目標大都處在復雜背景之中，目標檢測很困難。成像條件變化使目標的圖像發(fā)生變化，背景的空間時間變化使目標相對于背景的可觀察性發(fā)生變化，這些因素將影響現(xiàn)有常規(guī)目標提取算法和系統(tǒng)的可靠性和穩(wěn)定性。近年來，目標識別成為研究的熱點，林玉池[1]等提出基于形態(tài)學多結構原邊緣提取算子，很好地提取了復雜背景下的目標邊緣，較好地解決了復雜背景下的目標識別的難題。張鐵柱[2]等提出了利用車載雷達和紅外成像傳感器數據融合的智能目標識別算法，融合效果優(yōu)于單個效果的識別。陳芳涵[3]等采用小波多尺度積德方法提取目標圖像的邊緣，解決了復雜背景下目標圖像的識別問題。這些大多是單一特征的識別，本文提出了一種新的全局和局部特征信息融合的算法，充分利用了全局和局部信息的互補關系，在目標識別上取得了良好的識別效果。
1  全局顏色特征
　顏色特征是一種全局特征[4]，描述了圖像或圖像區(qū)域所對應的景物的表面性質。一般顏色特征是基于像素點的特征，所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻。
1.1 HSV空間模型及其量化
　HSV模型[5]是人們用來從調色板或顏色輪中挑選顏色的彩色系統(tǒng)之一。HSV表示色調、飽和度和數值。假設所有的顏色都已經歸一化到[0,1]范圍。在RGB 3個分量中，設定最大的為MAX，最小的為MIN,則RGB到HSV的轉換公式為：

    圖像轉換后的效果圖如圖1所示。  

 

    生成SFIT特征向量之后，采用關鍵點特征向量的歐氏距離來作為圖像中關鍵點的相似性判定度量。在實際計算時，一般計算歐氏距離的最近值與次最近值的比值，若比值小于某個閾值，則認為是匹配對。閾值取得越小，匹配結果的穩(wěn)定性越高，最后得到的匹配對數量就會越小。
3 目標識別
    目標識別是計算機視覺和圖像處理中的一個重要課題，是指在圖像中尋找指定的物體。本文基于全局和局部特征的目標識別流程，分為以下幾步：
    (1)基于全局顏色特征，確定識別目標的大體區(qū)域；
    (2)對復雜目標進行角點檢測；
    (3)對得到的特征點進行描述；
    (4)將得到的特征在復雜目標中進行匹配；
    (5)輸出識別結果。
4 實驗結果
4.1 全局特征識別
　通過感興趣目標的顏色直方圖，可以對其在復雜場景中進行顏色分割，從而縮小了復雜場景的范圍，減少了搜索時間，提高了效率。識別結果如圖5所示。

4.2 局部特征識別
    基于前面所述的局部特征匹配的步驟提取出特征點并進行SFIT特征匹配,在復雜場景中很快搜尋到與感興趣目標相匹配的目標。實驗結果如圖6所示。 

    本文基于全局和局部特征對復雜目標進行識別，通過實驗證明，本文的方法有效地結合了全局顏色特征和局部尺度不變特征，能夠快速、準確地對復雜場景中的目標進行識別。
參考文獻
[1] 林玉池，崔彥平，黃銀國.復雜背景下邊緣提取與目標識別方法研究[J].光學精密工程，2006,14(3)：509-514.
[2] 張鐵柱，蔣宏.機載雷達和紅外數據融合的智能目標識別[J]. 紅外與激光工程,2010,39(4)：756-760.
[3] 陳芳涵，苗華，陳宇,等.基于小波多尺度積的目標識別[J].光學學報，2009,29(5)：1223-1226.
[4] 沈保國，陳數人，尹建軍,等.基于顏色特征的棉田綠色雜草圖像識別方法[J].農業(yè)工程學報，2009,25(6)：163-167.
[5] 王夏黎，周明全，耿國華.一種基于HSV顏色空間的車輛牌照提取方法[J].計算機工程，2004，30(17):133-135.
[6] 高升.基于顏色特征的圖像檢索方法及系統(tǒng)實現(xiàn)[D].北京：北京郵電大學，2006.
[7] 楊艷偉.基于SIFT特征點的圖像拼接技術研究[D].西安：西安電子科技大學，2009.
[8] LINDEBERG T. Scale-space theory: a basic tool for analysing structures at different scales[J]. Journal Applied Statisitics, 1994,21(2):232-261.