12、使用含噪训练图像的几何畸变目标检测复合相关滤波器

使用含噪训练图像的几何畸变目标检测复合相关滤波器

1. 引言

相关滤波器在模式识别领域应用广泛，主要用于解决目标检测和位置估计问题。目标检测可通过寻找相关滤波器输出中的最高峰来实现，而位置估计则以这些峰值的坐标作为目标在输入场景中真实位置的估计。

相关滤波器的检测性能可从鉴别能力（DC）和虚警概率两方面评估，位置精度则由位置误差的方差来表征。相关滤波器的设计旨在针对选定的场景模型优化一个或多个性能标准，常见的信号模型有加法模型和非重叠模型。

在加法模型中，目标被添加到有噪声的背景中；在非重叠模型里，不透明目标置于背景之上，且整个场景会添加传感器噪声。针对加法模型，优化信噪比准则可得到匹配滤波器；最小化虚警概率则会得到最优滤波器（OF）。对于非重叠信号模型，广义匹配滤波器和广义最优滤波器（GOF）分别优化信噪比和峰值输出能量（POE）准则。

近年来，针对滤波器设计中参考图像存在噪声的信号模型，提出了 OF 和 GOF 滤波器的推广形式。当参考图像受到加性噪声干扰，且在非重叠的输入场景中进行检测时，这种信号模型被称为加法 - 非重叠模型（AN）。

相关滤波器属于基于外观的技术，利用目标的预期外观和形状信息进行目标检测。然而，当场景中目标的外观与滤波器设计时使用的外观不同时，检测性能会迅速下降。外观变化可能由几何畸变（如尺度变化、平面内和平面外旋转）、模糊、噪声干扰以及三维物体在二维图像中的视角变化等因素引起。

为解决这一问题，提出了合成判别函数（SDF），它能在一次相关操作中考虑目标的多个可能视图。SDF 滤波器旨在满足相关峰值的硬约束，但由于只控制相关峰值的强度，相关平面的其余部分可能会出现大旁瓣。为了最小化滤波器输出的平