紅外光與可見光的圖像配準(zhǔn)識(shí)別技術(shù)分析

趙晨+陳天華+李子伊王聰聰

摘要：隨著科技水平的提升，對(duì)于紅外光與可見光實(shí)現(xiàn)圖像配準(zhǔn)技術(shù)的優(yōu)化是極為重要的，本文對(duì)于圖像配準(zhǔn)識(shí)別技術(shù)進(jìn)行了概述，對(duì)于主流的基于幾何特征、基于模型、基于統(tǒng)計(jì)方法、基于神經(jīng)網(wǎng)絡(luò)等圖像識(shí)別配準(zhǔn)方法進(jìn)行了探討，同時(shí)對(duì)于SIFT、ORB、Brief等幾種圖像配準(zhǔn)的特征提取方法進(jìn)行了分析，對(duì)于基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)圖像配準(zhǔn)識(shí)別優(yōu)化新技術(shù)進(jìn)行了研究，對(duì)于圖像配準(zhǔn)技術(shù)的前景進(jìn)行了展望。

關(guān)鍵詞：紅外光；可見光；圖像配準(zhǔn)；識(shí)別

1 引言

隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的飛速發(fā)展，以及信息技術(shù)和計(jì)算機(jī)技術(shù)在生活、軍工等各個(gè)方面的廣泛使用，我們?cè)絹碓诫x不開計(jì)算機(jī)的相關(guān)技術(shù)，控制技術(shù)也是越來越得到了廣泛認(rèn)可和應(yīng)用。如今，在航空方面，計(jì)算機(jī)視覺技術(shù)也得到了廣泛使用。如今，在民航方面，計(jì)算機(jī)在飛行安全方面起到了至關(guān)重要的作用。紅外與可見光圖像配準(zhǔn)是常見的多模態(tài)圖像配準(zhǔn)，它廣泛應(yīng)用于軍事、遙感等領(lǐng)域，有必要對(duì)其進(jìn)行更加深入的研究。紅外與可見光圖像配準(zhǔn)是配準(zhǔn)中比較常見的，由于紅外反映景物的輻射信息，而可見光反映的是景物的反射信息，二者輸出圖像具有不同灰度特征，這些特征互為補(bǔ)充，可以融合在一起進(jìn)行目標(biāo)識(shí)別。

圖像配準(zhǔn)的基本問題是提出一種圖像轉(zhuǎn)換方法，用以校正圖像的坐標(biāo)和形變。比如，對(duì)同一場(chǎng)景，不同時(shí)在不同視點(diǎn)拍攝的圖像，或多或少會(huì)存在平移、旋轉(zhuǎn)的情況，它們是處于不同的坐標(biāo)系內(nèi)的，需要校正過來。而造成圖像形變的原因多種多樣，例如對(duì)于我們這里的紅外與可見光圖像而言，傳感器噪聲、由傳感器視點(diǎn)變化或平臺(tái)不穩(wěn)定造成的透視變化、被拍攝物體的移動(dòng)、變形或生長(zhǎng)等變化，以及陰影和云層遮蓋都使圖像產(chǎn)生不同形式的形變。正是圖像形變的原因和形式不同，決定了必須要有不同的圖像配準(zhǔn)技術(shù)與之對(duì)應(yīng)。

正是由于上面的原因，我們對(duì)于紅外與可見光圖像配準(zhǔn)的研究就十分有必要了。

2 圖像配準(zhǔn)識(shí)別技術(shù)分析

2.1 圖像識(shí)別配準(zhǔn)概述

圖像配準(zhǔn)是指對(duì)同一目標(biāo)在不同條件下獲得的兩幅（或者兩幅以上）圖像進(jìn)行匹配的圖像處理過程，是圖像處理中的一個(gè)基本問題。假設(shè)兩幅待配準(zhǔn)圖像和，其中為參考圖像，為待配準(zhǔn)圖像。圖像配準(zhǔn)的問題可以定義為這兩幅圖像像素坐標(biāo)和灰度值上的雙重映射。圖像配準(zhǔn)識(shí)別是人工智能領(lǐng)域的一個(gè)重要的分支，圖像配準(zhǔn)識(shí)別技術(shù)可以分為兩大部分，第一類是基于機(jī)器學(xué)習(xí)的，第二類是基于統(tǒng)計(jì)方法的，根據(jù)實(shí)現(xiàn)的原理可以劃分為基于幾何特征、基于模型、基于統(tǒng)計(jì)方法、基于神經(jīng)網(wǎng)絡(luò)等。圖像配準(zhǔn)識(shí)別算法，采用主流的深度學(xué)習(xí)方法來進(jìn)行特征值提取，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別，通過多層特征的融合來使得運(yùn)算量降低，識(shí)別速度加快，通過基本的特征信息，從而反映出高級(jí)別的屬性特征，同時(shí)可以對(duì)不清晰的圖像、動(dòng)態(tài)的圖像進(jìn)行較為精確的識(shí)別，其識(shí)別準(zhǔn)確度較高，抗干擾性較強(qiáng)?；谏疃葘W(xué)習(xí)的特征提取算法，通過較大規(guī)模的圖像庫進(jìn)行訓(xùn)練，使得圖像配準(zhǔn)識(shí)別模型的準(zhǔn)確度非常高，同時(shí)時(shí)間減小，可以達(dá)到萬分之一秒。

2.2 主流圖像配準(zhǔn)識(shí)別方法

2.2.1 基于幾何特征

基于幾何特征的方法，主要是在圖像中尋找特征，將特征點(diǎn)之間的距離和比例進(jìn)行歸納，通過臨近的方法來識(shí)別圖像，這樣的方法比較快，內(nèi)存占用少，但是對(duì)于光照變化來說不敏感，同時(shí)對(duì)于動(dòng)態(tài)變化的圖像，它將無法識(shí)別。

2.2.2 基于模型

基于模型的方法，主要采用馬爾科夫模型，這種模型的方法，主要是通過數(shù)學(xué)的統(tǒng)計(jì)性的問題。以人臉圖像的監(jiān)測(cè)識(shí)別為例， 馬爾可夫的狀態(tài)包括前額、眉毛、眼睛、鼻子、嘴和下巴，這些狀態(tài)以相同的順序從上到下出現(xiàn)，表現(xiàn)為隱馬爾可夫模型的特性狀態(tài)。這種方法對(duì)于樣本的要求較高，需要建立較為可靠的模型。

2.2.3 基于統(tǒng)計(jì)

基于統(tǒng)計(jì)學(xué)的方法，主要是通過提取圖像中光照、位置等特征向量，來進(jìn)行圖像的重構(gòu)，來判斷這些特征所表現(xiàn)的否是被識(shí)別的物體，優(yōu)點(diǎn)在于識(shí)別速度較快，缺點(diǎn)在于對(duì)于動(dòng)態(tài)的圖像配準(zhǔn)識(shí)別較差。

2.2.4 基于神經(jīng)網(wǎng)絡(luò)

基于神經(jīng)網(wǎng)絡(luò)的圖像配準(zhǔn)識(shí)別方法，主要是采用機(jī)器學(xué)習(xí)的方案，就是通過多張圖像進(jìn)行模型的訓(xùn)練，然后對(duì)其參數(shù)進(jìn)行調(diào)整，然后對(duì)所要識(shí)別的圖像進(jìn)行分類，來判斷它是否是被識(shí)別的圖像，這樣的算法識(shí)別成功率較高，但是運(yùn)算時(shí)間較長(zhǎng)。

2.2.5 基于深度學(xué)習(xí)

深度學(xué)習(xí)也是一種復(fù)雜的神經(jīng)網(wǎng)絡(luò)，主要是采用一些低層的特征來進(jìn)行高層特征的表示，它對(duì)于計(jì)算性能要求較高，可以利用空間的相對(duì)關(guān)系來進(jìn)行降維，使得訓(xùn)練性能提升，結(jié)合實(shí)際情況下的深度學(xué)習(xí)，效率非常高。

3 圖像配準(zhǔn)的特征提取方法分析

3.1 SIFT特征提取算法

對(duì)圖像變化保持穩(wěn)定的特征描述符稱為不變量，比如對(duì)圖像的旋轉(zhuǎn)保持穩(wěn)定的不變量稱為旋轉(zhuǎn)不變量，對(duì)尺度縮放保持穩(wěn)定的不變量則稱為尺度不變量。SIFT特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。SIFT算法的實(shí)質(zhì)是檢測(cè)圖像的局部特征-SIFT特征點(diǎn)，然后根據(jù)匹配目標(biāo)的需要進(jìn)行特征的組合、變換，以形成易于匹配、穩(wěn)定性好的特征向量—SIFT描述子，從而把圖像匹配問題轉(zhuǎn)化為SIFT描述子的匹配問題。SIFT特征提取方法是通過強(qiáng)化學(xué)習(xí)，來對(duì)傳統(tǒng)的特征提取進(jìn)行優(yōu)化，然后可以有效的解決離散系統(tǒng)和非線性系統(tǒng)中出現(xiàn)的問題，主要包括特征迭代和值迭代兩種形式，特征迭代主要是通過特征評(píng)價(jià)與改進(jìn)的方法，對(duì)每一步的特征進(jìn)行評(píng)估，來不斷的尋找優(yōu)化的特征，同時(shí)對(duì)其進(jìn)行改良和優(yōu)化，得到新的權(quán)值，生成新的優(yōu)化函數(shù)進(jìn)行計(jì)算，在這個(gè)過程當(dāng)中，評(píng)估和改進(jìn)是循環(huán)進(jìn)行的，最后將會(huì)得到一個(gè)最優(yōu)的特征。但是需要注意的是，在最好的運(yùn)行模式下，相關(guān)的一些外部參數(shù)條件應(yīng)當(dāng)是穩(wěn)定的，這是非常重要的，如果沒有這個(gè)條件，就會(huì)導(dǎo)致整個(gè)特征評(píng)估，出現(xiàn)一些意外的情況。值迭代的算法主要是針對(duì)于一些方程式的計(jì)算，通過最優(yōu)函數(shù)的尋找與控制計(jì)算，就能計(jì)算出最優(yōu)的值，它不需要進(jìn)行控制特征的穩(wěn)定化，在我們的使用當(dāng)中必須要注意，無論是迭代特征還是值迭代，都需要對(duì)于被控對(duì)象的相關(guān)特性，尤其是內(nèi)部特性進(jìn)行研究，這也是SIFT特征提取的核心特點(diǎn)。

3.2 Brief特征提取算法

Brief的特征提取算法步驟為：（1）給定一副圖。（2）對(duì)圖像做平滑處理。平滑處理，也就是高斯濾波，也就是blur operation，降低圖像噪聲。平滑處理在BRIEF中很重要。（3）在圖像上，選擇一個(gè)局部塊區(qū)patch，用表示，它的大小是SxS像素，在p上面提取BREIF特征。一個(gè)BRIEF特征，就是若干個(gè)測(cè)試組成的字節(jié)（bit）串。構(gòu)造特定的[x，y]對(duì)，做測(cè)試，就得到了BRIEF特征。Brief特征提取的構(gòu)建模型是極為復(fù)雜的，通過中間層可以對(duì)于優(yōu)化函數(shù)進(jìn)行逼近，在對(duì)于圖像識(shí)別配準(zhǔn)進(jìn)行最優(yōu)化計(jì)算時(shí)采用的是單隱層的Brief特征提取網(wǎng)絡(luò)，同時(shí)選擇雙極性的轉(zhuǎn)移函數(shù)來進(jìn)行計(jì)算，這樣有利于將內(nèi)部的關(guān)系進(jìn)行提煉，權(quán)值的調(diào)整速度也會(huì)更快，這樣就使得整個(gè)系統(tǒng)的數(shù)量速度變快，響應(yīng)速度較高，但是對(duì)于節(jié)點(diǎn)數(shù)要進(jìn)行控制，如果節(jié)點(diǎn)數(shù)過少的話，就可能會(huì)導(dǎo)致系統(tǒng)的信息分析能力較差，無法對(duì)于樣本中的規(guī)律進(jìn)行有效的提取，就會(huì)導(dǎo)致讀取失敗，如果節(jié)點(diǎn)足夠多的話，就很可能會(huì)導(dǎo)致整個(gè)系統(tǒng)的收斂速度較慢，引起系統(tǒng)出現(xiàn)自身的穩(wěn)定性誤差，造成嚴(yán)重的干擾，所以我們應(yīng)當(dāng)綜合性的進(jìn)行評(píng)估，選取合適的節(jié)點(diǎn)數(shù)。Brief是以特征提取系統(tǒng)來進(jìn)行操作的計(jì)算機(jī)運(yùn)行模式，是面向操作層的，是特征提取初級(jí)階段的產(chǎn)物，主要是進(jìn)行數(shù)據(jù)運(yùn)算而不是管理。能夠快速的進(jìn)行特征提取的高度集中和統(tǒng)一處理，重要標(biāo)志是在其中有一個(gè)非常龐大的中央數(shù)據(jù)庫，它可以進(jìn)行分布式處理，對(duì)于快速性的識(shí)別，有著極為關(guān)鍵的作用。對(duì)于特征提取處理的系統(tǒng)優(yōu)化要求更高，對(duì)于系統(tǒng)設(shè)計(jì)的結(jié)構(gòu)性要求也較高，因此其可以方便工作人員使用，因其符合他們的思維習(xí)慣，同時(shí)強(qiáng)調(diào)自頂而下的設(shè)計(jì)，能夠?qū)崿F(xiàn)高效率的運(yùn)轉(zhuǎn)。

3.3 ORB特征提取算法

ORB算法其實(shí)就是在FAST算法加上BRIEF算法的基礎(chǔ)上得到的，因此，我們?cè)谶@里只需要了解到ORB算法的實(shí)現(xiàn)步驟即可。1.給定一幅圖，先用oFAST算法，檢測(cè)關(guān)鍵點(diǎn)的位置。所謂oFAST，就是orientation的FAST，增加了計(jì)算關(guān)鍵點(diǎn)的角點(diǎn)方向。2.對(duì)這個(gè)圖，用FAST算法，找出關(guān)鍵點(diǎn)的位置。3.對(duì)于關(guān)鍵點(diǎn)，用Harris角點(diǎn)檢測(cè)，選取前N個(gè)最好的點(diǎn)。4.如果處理的圖像是多尺度圖像，我們需要對(duì)原來的圖像作金字塔，然后對(duì)每個(gè)圖都進(jìn)行步驟2和3的處理。5.對(duì)于每個(gè)角點(diǎn)，根據(jù)Intensity Centroid算法，計(jì)算角點(diǎn)的方向。ORB算法從經(jīng)驗(yàn)中進(jìn)行自學(xué)習(xí)，每一個(gè)自學(xué)習(xí)探索的過程就相當(dāng)于一次訓(xùn)練，在訓(xùn)練中，ORB算法探索外界環(huán)境，并接受外界環(huán)境帶來的獎(jiǎng)勵(lì)，直到達(dá)到目標(biāo)狀態(tài)。訓(xùn)練的目的是要強(qiáng)化ORB算法的“大腦”（就用Q來表示），訓(xùn)練的次數(shù)越多，則Q就可以被優(yōu)化的更好。我們可以構(gòu)建一個(gè)以狀態(tài)為行，特征為列的關(guān)于“獎(jiǎng)勵(lì)”的矩陣R。類似地，也同時(shí)構(gòu)建一個(gè)矩陣Q，用來表示ORB算法已經(jīng)從經(jīng)驗(yàn)中學(xué)到的知識(shí)，Q與R是同階的，其行表示狀態(tài)，列表示特征。由于剛開始時(shí)ORB算法對(duì)外界環(huán)境一無所知，因此矩陣Q應(yīng)初始化為零矩陣，后采用Q學(xué)習(xí)算法的轉(zhuǎn)移規(guī)則，逐步完成矩陣的。當(dāng)Q被訓(xùn)練強(qiáng)化后，ORB算法便很容易找到達(dá)到目標(biāo)狀態(tài)的最快路徑了。

通過SIFT和ORB的方法，都可以對(duì)于自適應(yīng)的特征提取模式進(jìn)行求解，同時(shí)它們應(yīng)該通過對(duì)象的一些基本特性，來對(duì)其進(jìn)行優(yōu)化，得到一個(gè)符合實(shí)際的答案，其中SIFT主要是通過方程計(jì)算來進(jìn)行最優(yōu)化的，在得到最優(yōu)化的結(jié)果之前，每一步可能只是部分的穩(wěn)定，但并不一定是全局化的穩(wěn)定，所以求出的答案也不一定是總體的優(yōu)化方案，但是對(duì)于ORB來說，它主要是采用每一步特征提取優(yōu)化的方式來進(jìn)行最優(yōu)化特征提取的，所以，在剛開始就對(duì)系統(tǒng)有一定的要求，自適應(yīng)的特征提取，主要是在初始條件穩(wěn)定的情況下，對(duì)于每一步的代價(jià)函數(shù)來進(jìn)行計(jì)算，在這個(gè)算法進(jìn)行計(jì)算的過程當(dāng)中，對(duì)于初始條件進(jìn)行選擇是極為重要的，它對(duì)于整個(gè)算法能否在較短時(shí)間內(nèi)得到正確的答案，收斂到穩(wěn)定的區(qū)域內(nèi)是起著關(guān)鍵性的作用的，因此這個(gè)算法主要困難在于需要在一開始就找到一個(gè)穩(wěn)定的特征提取模式。

4 基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)圖像配準(zhǔn)識(shí)別優(yōu)化探討

4.1 BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)主要包括輸入層、中間層和輸出層，主要通過梯度下降法來進(jìn)行誤差的快速下降，使得整個(gè)系統(tǒng)能夠盡快的收斂，最終使得誤差減小，得到最優(yōu)化的識(shí)別配準(zhǔn)結(jié)果。輸入層的神經(jīng)元負(fù)責(zé)對(duì)于輸入的信息進(jìn)行處理，同時(shí)把它們傳遞給了中間層內(nèi)的神經(jīng)元，中間層對(duì)于信息可以進(jìn)行分析，根據(jù)權(quán)重情況和相應(yīng)的函數(shù)來對(duì)信息進(jìn)行處理，它們主要是采用隱藏式的結(jié)構(gòu)，從外部是無法進(jìn)行感知的，輸出層可以將中間層計(jì)算好的信息進(jìn)行輸出，這樣就實(shí)現(xiàn)了正向的學(xué)習(xí)，最后由總的輸出層來把結(jié)果進(jìn)行輸出，在實(shí)際運(yùn)行當(dāng)中，輸入層的權(quán)值不變，不斷的對(duì)于中間層的權(quán)值進(jìn)行更新，如果實(shí)際的輸出和期望差距比較大的時(shí)候，就可以產(chǎn)生一定的誤差，這樣誤差就會(huì)反向傳播，按照原有的方式進(jìn)行各層的修正，把每一層的權(quán)重都進(jìn)行調(diào)整，調(diào)整使其更加滿足實(shí)際的要求，信息經(jīng)過正向的傳遞，然后誤差進(jìn)行反向運(yùn)輸，這樣就可以對(duì)各層的權(quán)值進(jìn)行不斷的調(diào)整，這樣就完成了神經(jīng)網(wǎng)絡(luò)的一次訓(xùn)練過程，最后將會(huì)使得誤差越來越小，信息越來越準(zhǔn)確，這個(gè)過程的完成，主要是將訓(xùn)練之后的誤差達(dá)到使用的需求或者是達(dá)到一定的訓(xùn)練次數(shù)才停止。

4.2 自適應(yīng)圖像配準(zhǔn)識(shí)別優(yōu)化技術(shù)

自適應(yīng)圖像配準(zhǔn)識(shí)別是極為重要的一個(gè)發(fā)展方向，自適應(yīng)圖像配準(zhǔn)識(shí)別以圖像配準(zhǔn)識(shí)別為基礎(chǔ)，同時(shí)實(shí)現(xiàn)了最優(yōu)控制和自動(dòng)控制的問題，它主要是根據(jù)貝爾曼的優(yōu)化方式，來使得非線性系統(tǒng)和約束性較多的系統(tǒng)，都能夠?qū)崿F(xiàn)最優(yōu)控制，不管初始狀態(tài)是如何的，經(jīng)過這樣的優(yōu)化都可以得到最優(yōu)的策略。但是，對(duì)于實(shí)際的識(shí)別操作來說，圖像配準(zhǔn)識(shí)別可能會(huì)存在一些問題，在這樣的情況下，就需要采用神經(jīng)網(wǎng)絡(luò)的方式對(duì)其進(jìn)行學(xué)習(xí)與訓(xùn)練，使得圖像配準(zhǔn)識(shí)別能夠?qū)崿F(xiàn)強(qiáng)化學(xué)習(xí)，同時(shí)，可以近似的構(gòu)造代價(jià)函數(shù)來進(jìn)行規(guī)劃，使得最后的結(jié)果更加滿足于實(shí)際的需求。自適應(yīng)的圖像配準(zhǔn)識(shí)別主要是用函數(shù)逼近的方式來進(jìn)行，最優(yōu)化控制的主要是采用神經(jīng)網(wǎng)絡(luò)的方法，主要由評(píng)判、模型和執(zhí)行三個(gè)部分來組成，它們都是用神經(jīng)網(wǎng)絡(luò)來進(jìn)行實(shí)現(xiàn)的，主要可以采用相關(guān)的函數(shù)來對(duì)于內(nèi)部的權(quán)重進(jìn)行調(diào)整，從而達(dá)到分類的目的，對(duì)于整體進(jìn)行逐次的優(yōu)化，最終得到全局的優(yōu)化目標(biāo)函數(shù)，通過神經(jīng)網(wǎng)絡(luò)建模的方法，可以有效的對(duì)于自適應(yīng)問題進(jìn)行圖像配準(zhǔn)識(shí)別，所以神經(jīng)網(wǎng)絡(luò)依然是當(dāng)前很長(zhǎng)一段時(shí)間內(nèi)控制科學(xué)的發(fā)展方向。

當(dāng)一個(gè)控制模型在進(jìn)行作用之后，可能會(huì)受到環(huán)境的影響，同時(shí)對(duì)于自身的評(píng)判體制造成一定的影響與反饋，同時(shí)利用設(shè)定好的函數(shù)結(jié)構(gòu)或神經(jīng)網(wǎng)絡(luò)，就可以對(duì)執(zhí)行函數(shù)和平方函數(shù)之間的誤差來進(jìn)行計(jì)算，實(shí)現(xiàn)最終的誤差減少逐漸逼近，如果是先進(jìn)行判斷后執(zhí)行的話，就需要使得評(píng)判函數(shù)最小，主要是通過貝爾曼的優(yōu)化原因來進(jìn)行的，這樣可以盡量的減少系統(tǒng)的計(jì)算時(shí)間，同時(shí)對(duì)于系統(tǒng)的不確定的變化進(jìn)行有效的響應(yīng)，對(duì)于一些權(quán)重與參數(shù)可以有效的進(jìn)行調(diào)整，本文利用控制函數(shù)的神經(jīng)網(wǎng)絡(luò)優(yōu)化，最終得到了自適應(yīng)圖像配準(zhǔn)識(shí)別結(jié)果，這樣就完成了一個(gè)控制執(zhí)行和評(píng)判的過程。一般在這樣的框架下，可以實(shí)現(xiàn)較好的優(yōu)化功能，主要包括評(píng)價(jià)模型和執(zhí)行三個(gè)部分，這三個(gè)部分主要在于能夠?qū)崿F(xiàn)完整的評(píng)價(jià)改善循環(huán)，評(píng)價(jià)模塊可以評(píng)估執(zhí)行模塊的實(shí)際效能，對(duì)于代價(jià)函數(shù)進(jìn)行優(yōu)化與修正，執(zhí)行模塊可以產(chǎn)生實(shí)際的動(dòng)作來對(duì)所改進(jìn)的策略進(jìn)行執(zhí)行，同時(shí)也能有效的對(duì)于被控對(duì)象的情況進(jìn)行反應(yīng)，將其進(jìn)行運(yùn)行之后，可以通過不同的反饋，來對(duì)實(shí)際評(píng)價(jià)與運(yùn)行的情況進(jìn)行確定，同時(shí)，利用相關(guān)的神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)等算法，來實(shí)現(xiàn)函數(shù)的近似與優(yōu)化，這樣就能對(duì)于系統(tǒng)的內(nèi)部參數(shù)進(jìn)行實(shí)時(shí)的更新，這里主要是采用貝爾曼的優(yōu)化方式來進(jìn)行更新的。

5總結(jié)

隨著計(jì)算速度和準(zhǔn)確率的不斷提升，紅外光圖像配準(zhǔn)處理的應(yīng)用越來越普遍，同時(shí)推動(dòng)了圖像識(shí)別技術(shù)的發(fā)展速度，圖像處理雖然有很多無法克服的缺點(diǎn)，但是借助這一重要的科技發(fā)展趨勢(shì)，也在一步一步推動(dòng)各行業(yè)蓬勃發(fā)展，讓生活更加智能化。圖像處理大大的減少了人力的成本，提升了工作的效率，圖像處理是重要的技術(shù)基礎(chǔ)，它在工業(yè)生產(chǎn)領(lǐng)域有著深遠(yuǎn)的影響。

參考文獻(xiàn)：

[1]田偉剛.基于點(diǎn)特征的多源遙感圖像配準(zhǔn)技術(shù).西北工業(yè)大學(xué)碩士學(xué)位論文.2008年

[2]苑津莎.趙振兵.高強(qiáng)等.紅外與可見光圖像配準(zhǔn)研究現(xiàn)狀與展望.激光與紅外.2009.39（7）：693-699

[3]C. Harris.M. Stephens.A combined corner and edge detector.In：Proceedings of the Fourth Alvey Vision Conference.Manchester：the University of Sheffield Printing Unit.1988.pp147～151

[4]S.M. Smith.J.M. Brady.SUSAN-A new approach to low level image processing.Journal of Computer Vision.1997.23：pp45～78

[5]S. Ranade.A. Rosenfeld.Point pattern matching by relaxation.Pattern Recognition.1980.12：pp269～275