匹配方法范文

匹配方法范文（精选12篇）

匹配方法 第1篇

关键词：人-组织匹配,态度,绩效,效应,测量

1 引言

人-组织匹配是人-环境匹配研究中的一个重要主题。从环境所包含的不同层面来看, 人与环境的各个维度包括职业、组织、群体、工作和他人都可能会产生不同程度的相互作用, 然而, 人与组织匹配总是人与环境匹配中的一个重要维度, 处于中心枢纽的位置。因为个体是组织的重要构成成分, 同时, 个体也通常依存于某一个组织, 组织是个体赖以生存与发展的社会单位, 组织也是个体与环境产生相互作用的重要层面[1]。

人-组织匹配的概念建立在人-环境互动理论的基础之上。这种观点认为, 不论是个人特质还是环境特征, 都不能单独解释人的行为和态度的差异, 而人与环境的交互作用能够最大程度地解释这种差异[2]。在这样的框架下面, 个人的组织行为被假设为是人和组织之间互动的结果[3]。所以, 人一组织匹配强调组织成员的个人特质与组织特质之间的相容性[2]。从概念化定义上来看, Kristof (1996) 所提出的人-组织匹配概念化定义模型是目前在人-组织匹配研究领域中, 最广为接受的一种概念化定义。Kristof (1996) 将人-组织匹配定义为当下列情况发生时, 人和组织之间的相容性: (1) 至少有一方提供了另一方所需要的东西; (2) 双方具有相似的基本特征;或者 (3) 以上两者都符合[4]。另外, 在操作化定义上, 从现有文献来看, 通常将人-组织匹配操作化定义为员工的价值观念、目标、个性与组织的相应维度之间的一致性[3]。

人-组织匹配研究通常关心的是什么导致了人-组织匹配, 以及人-组织匹配对于员工和组织而言, 会产生什么影响, 即关注于人-组织匹配的前因和后果的研究。在研究方法上, 该领域内最常见的研究方法是实证研究, 而理论研究数目则很少。

2 人-组织匹配的理论研究

在人-组织匹配的理论研究方面, Schneider、Jansen和Kristof-Brown作出了较大的贡献。其中, Schneider提出了吸引-选择-摩擦 (ASA) 理论, 而Jansen和Kristof-Brown则提出了人-环境匹配整体感知的一个理论模型。

2.1 Schneider的ASA理论

1987年, Schneider基于“员工的特征集合决定了组织特征”这样的一个命题, 提出了组织行为的员工导向模型, 即E=f (P, B) [5], 如图1所示。

随后, 他进一步提出, 组织特征由其成员特征决定是吸引-选择-摩擦 (ASA) 循环的一个自然结果。ASA模型的核心是由组织的创始人最初提出的组织目标。组织的目标以及帮助达成这些目标的流程、结构和文化是组织的创始人和他的早期同事们的特定特征 (比如个性) 的反映。随着时间的推移, 这些因素决定了被吸引、选择和留在组织中的人员的类型, 而且, 也正是这些员工的特征进一步影响了组织所特有的结构、流程和文化。图2显示了吸引-选择-摩擦与组织目标之间的关系。

总之, 互动心理模型将环境和在其中进行活动的人看作是相互独立的, 而且, 它所关注的是个人的行为。而ASA理论则认为, 环境和处于其中的人不是相互独立的, 环境就是在其中活动的人。Schneider的观点是, 结构、流程和文化是组织中人的输出结果, 而不是组织行为的原因, 同时, Schneider还强调在研究中应当增加关于人-环境匹配的环境类结果指标, 尤其是关于匹配的效率指标[5][6][7]。

虽然Schneider所提出的ASA理论认为“人构成了环境”, 但是, 群体作用理论和组织文化理论都认为, 更高层级的组织不仅仅只是其成员属性的简单叠加。由于对人员特征的简单综合仅仅反映了组织当前的成员, 而文化和气候则反映了一个组织的全部历史, 因此, 认为一个组织中的人员属性的算术平均值可以完整体现该组织的文化或者气候的观点可能是将事实过分简化了[8]。但不可否认, ASA理论强调了组织目标的重要作用, 并指出了人和环境之间的相互影响尤其是人对环境的影响, 同时, 还指出了关注组织层面效率指标的必要性, 这对于后续的人-组织匹配研究都具有重要的启示意义。

2.2 Jansen和Kristof-Brown的人-环境匹配感知的整合模型

如前所述, 人-环境匹配是一个由人和职业、组织、群体、工作以及其他人员匹配构成的整体结构, 所以, 是一个具有多维度内容的概念[9]。早期的人-环境匹配研究侧重于对整体匹配的抽象, 而近期关于人-环境匹配的大量实验研究和现场研究的主要方法是检验个人和工作环境的某一单个维度之间的匹配。这种研究对象上的聚焦虽然有利于加深对人-环境匹配各个维度上的理解, 但其缺点是无法看到人-环境匹配的整体效应。

Jansen和Kristof-Brown (1998) 和Jansen和KristofBrown (2006) 基于“人们并非只是对工作环境的某一个方面作出反应, 他们其实是和工作环境的多个维度同时嵌套的”这样一种嵌套观点, 从人-职业匹配、人-工作匹配、人-组织匹配、人-群体匹配、人-人匹配等维度, 对人-环境匹配提出了一个整体的匹配感知模型, 如图3所示。这种嵌套观点认为, 很多由匹配导致的结果不能简单地归因于人和环境的某一单个维度的匹配或者不匹配, 相反, 诸如满意、承诺、压力、调整和退缩等广泛的结果实际上更多地是对环境多个方面的匹配评估的反应[9][10]。

Jansen和Kristof-Brown (2006) 认为, 不同的维度能够预测不同的指标。比如, 人-群体匹配能够预测群体凝聚力, 而整体匹配则能够更好地预测工作满意和组织承诺[9]。另外, 绝大多数研究都假设, 不同形式的人-环境匹配的效应具有可叠加性 (例如, 在某一维度上的良好匹配可以抵消在另一维度上的不匹配) 。然而, 在环境的某一方面的不匹配也可能会对其它方面的匹配产生消极影响, 或者, 它们互相之间可能会有所影响[8]。在此基础上, Jansen和KristofBrown (2006) 对Jansen和Kristof-Brown (1998) 所提出的多种形式人-环境匹配整合模型进行了进一步的深化, 提出PEfit=s1*PV+s2*PJ+s3*PO+s4*PG+s5*PP的假设 (其中, PEfit表示人-环境整体匹配感知, PV表示人-职业匹配感知, PJ表示人-工作匹配感知, PO表示人-组织匹配感知, PG表示人-群体匹配感知, PP表示人-人匹配感知, s1～s5为权重系数) [9]。

Jansen和Kristof-Brown (2006) 提出的这个公式意味着, (1) 首先, 某一方面的良好匹配可以弥补其它方面的不匹配。 (2) 其次, 个人的、环境的和时间上的因素决定了哪些匹配维度对人-环境匹配会产生最大的影响。比如, 个人的以往工作经验会决定他们强调的是哪些方面的匹配, 那些在较多的公司中工作过的个人更强调人-组织匹配, 而那些从事过更多种类工作的人则更强调人-工作匹配[9]。而环境的文化强度也会影响各个权重系数的分配。文化强度被定义为在何种程度上存在一组可识别的规则、价值观念和信念[9]。Kristof (1996) 认为, 在具有多种不同子文化的组织中, 相对于在具有一种主导文化的组织中, 人-组织匹配对于个人层面指标的影响将较弱[4]。在雇佣过程的不同阶段, 各种形式的人-环境匹配具有不同的重要性。其中, 人-职业匹配在最早期阶段最为重要, 人-组织匹配在人员筛选和长期任期中最为重要, 人-人匹配在招募和雇佣后阶段最为重要, 人-工作匹配在整个过程中都很重要, 而人-群体匹配只有在雇佣后阶段, 才开始变得重要起来[9]。 (3) 最后, 这个公式还包含着这样的假设, 即不同类型的匹配之间很可能会相互影响, 尤其是在考虑长时期内的多维度人-环境匹配时。多维度的匹配有可能随着时间的推移而发生变化;即使环境没有任何变化, 匹配的不同方面的权重仍有可能发生变化, 从而导致不同的判断和结果[9]。

由于员工的工作态度和行为受到人-环境整体匹配感知的影响, 或者, 从员工工作绩效的构成来看, 由于员工的整体绩效既包括任务绩效, 又包括周边绩效, 所以, 所有类型的匹配都和员工的工作绩效相关[8]。这意味着试图要提高人-组织匹配水平的管理人员应当考虑到所有这些环境因素[4], 雇员对于这些环境因素的重视程度以及在这些环境因素上的匹配程度, 都有可能会影响员工的整体匹配感知, 进而影响员工的工作绩效和组织整体绩效。所以, Jansen和Kristof-Brown的人-环境匹配感知的整合模型强调了整体匹配感知而非单一维度匹配感知的重要性, 指出了各种形式匹配之间可能存在的相互关系和相互作用, 为人-组织匹配研究提供了一个更为系统和完整的框架。当然, 该模型可能存在的缺陷包括这仅仅只是一个较为简单的线性模型, 而实际情况下各个匹配维度之间的相互作用可能要来得更为复杂, 同时, 该模型也尚未经过实证检验等。

3 人-组织匹配的实证研究

目前绝大多数的人-组织匹配研究都采用了实证研究的方法, 其中, 主要涉及到对匹配的测量方法以及对实际匹配的计算方法两个方面的问题。

3.1 对人-组织匹配的测量方法

(1) 人-组织匹配的类型及其相应的测量方法。在人-组织匹配研究领域, 通常将人-组织匹配划分为感觉匹配、主观匹配和客观匹配三种类型。感觉匹配是由对相容性的直接评估来定义的[8]。Kristof (1996) 将这种匹配和实际匹配区别了开来。感觉匹配将匹配概念化定义为一个人对于在组织中是否匹配良好的直接整体判断。使用这样的概念化定义也就意味着只要感觉到存在匹配, 而无论这个人是否和组织具有相似的特征, 或者是否和组织的特征相互补, 都可以认为达到了良好的匹配[4]。实际匹配是指这样一个术语, 它用来描述研究者通过将各自独立评估的个人变量和环境变量进行直接对比来间接评估匹配的一种测量方法。French等 (1974) 将实际匹配区分为主观匹配和客观匹配。主观匹配是指由个人所感知和报告的人和环境之间的匹配, 而客观匹配则是指个人的实际情况和独立于个人对它的感知的环境之间的匹配[8]。这三种人-组织匹配类型划分如图4所示。

在对人-组织匹配的测量上面, 对应于感觉匹配、主观匹配和客观匹配, 存在着直接测量、个人层面间接测量和跨层面间接测量这几种不同的方法。如图5所示。

对于感觉匹配的直接测量是简单地要求评价者对于自身和组织之间存在着什么程度的匹配做出评价[3]。比如, Posner、Kouzes和Schmidt (1985) 是使用直接测量来评估价值观念一致性的一个例子, 经理人员直接评价他们的价值观念和组织的价值观念的相容性如何, 以及他们需要在个人原则和组织期望之间做出妥协和折衷的频率如何。那些认为自己的价值观念和组织的价值观念高度一致的个人相比于那些认为这种一致性很低的个人, 报告了一系列的积极效应, 比如, 更大的个人成就感, 更高的组织承诺[4]。

个人层面的间接测量是指对于个体和组织在相同维度或者特征上的评价是从相同的来源获得的, 并对这两个评价进行比较[3], 这种测量方法是和主观匹配相对应的。在个人层面的间接测量中, 组织方面的结构是个人对于这些特征的知觉。测量时通常包括要求每一个回答者回答诸如“你认为什么是有价值的?”以及“你所在的公司认为什么是有价值的?”这样互相之间具有相似性的问题, 然后使用差值法或者多项回归分析技术, 来计算对这些问题的回答之间的相似性, 从而实现对实际的人-组织匹配的个人层面的测量。所以, 在实际匹配的个人层面研究即主观匹配研究中, 所有的测量都发生在个人层面的分析上[4]。

跨层面的间接测量是指将一个个体对于他自己的特征的评价和一个从不同来源获得的、对组织在相同维度上的评价或者描述相比较[3], 它是和客观匹配相对应的。其中, “从不同来源获得的对组织在相同维度上的评价或者描述”可以是诸如组织结构等客观存在的资料, 也可以是组织中其他成员对组织特征的评价的整合。所以, 在实际匹配的跨层面研究即客观匹配研究中, 测量分别发生在个人层面和组织层面的分析上[4]。

另外, 在人-组织匹配的测量方面, 还存在着同构测量和同时测量这两个问题。

(2) 同构测量 (commensuratemeasurement) 。同构测量就是用相同的内容维度来描述个人和组织[4]。在评估人-组织匹配时, 有些研究者推荐使用这种方法来进行操作, 因为它保证了所研究特征的相互关联性。然而, Patsfall和Feimer (1985) 则认为, 同等维度测量并非是必需的, 因为可以使用一个先验的假设来预测一个组织中任何个人特征的匹配维度[4]。另外, Schneider (1987) 与Furnham和Schaeffer (1984) 各自从不同的角度出发指出, 在很多情况下, 人和组织实际上是混合的主体。组织环境由组织中的人所创造[5], 而且, 人-组织匹配是动态的和弹性的, 因为人们在改变他们所处环境的同时, 也在不断地适应环境[11]。所以, Schneider (2001) 认为, 对人和组织进行同构测量这种想法很可能是自欺欺人的[6]。

Kristof (1996) 认为, 虽然在个人和组织层面上可能具有相似的特征结构, 但这两个层面仍然具有某些内在的区别, 所以, 要想实现完美的同构测量是很困难的[4]。VanVianen (2001) 也指出, 人和组织的构成内容是否相互关联以及如何相互关联, 在很大程度上依赖于这些构成内容的特定性质以及如何对这些构成内容进行评估[11]。Kristof (1996) 对此提出的建议是, 对于一致性匹配, 应当竭尽全力来最大化测量的同量 (commensurability) 。这可以保证高水平的匹配意味着个人和组织在特定特征比如诚实性这一价值观念或者社会福利目标上面的相似性。然而, 对于互补性匹配, 同量的水平应当依赖于研究结构的范围。比如, 在狭义定义的匹配上, 诸如报酬水平等直接测量的特征匹配可以简单地通过诸如“你所得到的报酬是多少?”和“你想要多少报酬?”之类的同构测量问题来加以评估。然而, 在广义定义的匹配上, 对于潜在特征 (latentcharacteristics) 并没有那么容易进行同构测量, 因为这些特征具有内在的多维性。例如, 一个组织可以通过多种形式来满足员工的成就需要, 比如, 提供绩效奖金、佣金和正式的认可仪式。由于满足成就需要具有多种方式, 因此, 没必要进行严格的同构测量。但是, 使用非同构测量的研究者必须要精确界定他们所调研的结构和维度, 以及个人和组织的结构为什么在概念上是相关的[4]。

(3) 同时测量 (concurrentmeasurement) 。同时测量是指在同一个时点上测量预测变量和效标变量, 而分开测量则是在某一个时点上先测量预测变量, 然后, 在隔开某个时间段之后, 再测量效标变量。如图6所示。

一般的观点认为, 如果是由同一个主体对人-组织匹配和工作态度进行评价, 而且, 对人-组织匹配和员工的工作态度是在相同时点上进行测量, 那么, 相比于对这两者在不同时点上进行测量, 所得到的人-组织匹配对员工工作态度的效应将更大一些。因为根据自我认知理论和认知失调理论, 个人倾向于维持感知的内部一致性。如果某个人将工作环境评价为没有提供匹配, 但仍然报告说他对工作环境高度满意, 那么, 这将导致个人的认知失调。所以, 个人倾向于在对人-组织匹配和工作态度的评价上保持内在逻辑的一致性[8]。

Kristof-Brown等 (2005) 检验了对于预测变量和效标变量的同时测量和在不同时点分开测量是否对人-组织匹配对于工作满意、组织承诺和离职倾向等态度的效应大小起到调节作用。结果显示, 对于工作满意和组织承诺, 同时测量的效应较大, 然而, 对于离职倾向而言, 情况却发生了变化。在将Vancouver和Schmitt (1991) [12]排除之后, 同时测量和分开测量方式下的人-组织匹配对于离职倾向的效应大小变得完全一样[8]。

关于在人-组织匹配的测量上面, 究竟应当采用直接测量还是间接测量, 还存在着一些争论。比如, Edwards (1991) 认为, 虽然对于感觉匹配的直接测量能够显示出人-组织匹配和个人层面变量之间的显著相关性, 但是, 因为直接测量容易混淆个人和环境的构成, 所以, 要保证同等维度的测量几乎是不可能的。另外, 当直接测量和对于工作相关态度的测量同时进行时, 一致性偏见 (比如, “我想我匹配得很好, 所以我肯定对我的工作感到满意”) 就可能会潜在地影响到结果[4]。因此, Edwards (1991) 认为应当采用间接测量, 对个人特征和组织特征进行独立评估, 从而对相似性或者互补性加以验证, 而无需由那些处于分析情境中的个人对于匹配做出清晰的判断[4]。然而, 也有研究者赞成或者并不反对使用对感觉匹配的直接测量。比如, Schneider等 (1995) 强调, “人构成了环境”, 而且, 不应该在环境的概念化定义过程中, 将环境和在环境中有所行为的个人进行割裂和作出区别对待[7]。Kristof-Brown等 (2005) 认为, 虽然使用同一评价者或者同时测量方法有可能会危害所报告的关系的真实性, 但是, 在互动心理学领域内, 普遍认为只有当人们感知到与环境的匹配时, 他们才会受到这种匹配的影响, 因此, 虽然使用同一评价人有可能会夸大匹配和态度类指标之间的关系, 但这和人为偏差比起来, 可能更能够反映真实情况。所以, 对于哪一种方法是最佳方法没有简单的答案[8]。

综之, 由于个人对于人-组织匹配的感知驱动了他们对于情境的反应, 所以, 使用直接测量方法对于了解人-组织匹配感知的可能结果是有益的。而对于直接测量方式下可能出现的共同方法偏差, 其主要的控制方法包括程序控制和统计控制。程序控制指的是研究者在研究设计与测量过程中所采取的控制措施, 比如从不同来源测量预测变量与效标变量, 对测量进行时间上、空间上、心理上、方法上的分离, 保护反应者的匿名性、减小对测量目的的猜度以及改进量表项目等[13]。周浩和龙立荣 (2004) 认为, 研究者首先应该考虑采用程序控制, 因为这些方法是直接针对共同方法偏差的来源而设计的。但是, 在某些研究情境中, 受条件限制, 上述的程序控制方法无法实施, 或者无法完全消除共同方法偏差, 这个时候就应该考虑在数据分析时采用统计的方法来对共同方法偏差进行检验和控制[13]。3.2计算实际匹配的方法

对于人-组织匹配的三种类型, 在样本数据的统计处理方法上, 情况略有不同。其中, 对于感觉匹配, 由于只涉及到个人对于人-组织匹配感知的整体评价以及相关效标这样两类数据, 对于匹配有直接的测量数据而无需计算, 因此, 评估感觉匹配的研究通常使用这些直接测量结果和效标变量之间的相关性来代表人-组织匹配的作用大小。而对于包含主观匹配和客观匹配在内的实际匹配, 由于涉及到对个人特征的评价、对组织特征的评价以及对相关效标变量的评价三类数据, 因此, 需要对个人和组织在相关特征上的差异进行计算[3], 并在此基础上, 判断人-组织匹配对于相关效标的作用大小。在计算实际匹配的方法上面, 目前还存在着一定的争论。

在计算实际匹配以及判断实际匹配和效标变量之间的关系上面, 目前在人-组织匹配研究领域中, 主要采用差值法 (differencescores) 和多项回归分析法 (polynomialregression analysis) 这两种方法。

差值法是指将个人和组织的测量结果相减, 得出一个反映双方之间相似性的一个单一指标。几十年来, 差值法在微观和宏观组织研究中广为使用[14]。研究者们通常使用代数差 (X-Y) 、绝对差 (X-Y) 或者平方差 (X-Y) 2等两变量一致性指标。在有多个预测指标的情况下, 通常使用诸如代数差的和 (D 1) 、绝对差的和 (D) 、平方差的和 (D 2) 、欧几里得距离 (D) 或者两个剖面之间的相关性 (Q) 等剖面相似指标 (profilesimilarityindices, PSIs) [4]。

尽管差值法在人-组织匹配研究中得到了广泛的使用, 但是, 这些方法也存在着很多的问题[8]。问题之一是由于差值法没有显示个人在每一个要素上对整体分数的贡献而引起的概念的模糊性。第二个问题是由于数据处理过程丢弃了个人和环境变量的绝对水平, 因此, 存在信息丢失的问题。第三个问题是, 在具有多个预测指标的情况下, 采用差值法得出的结果虽然能够较好地反映整体匹配情况, 但也可能对差异的来源不敏感。它们没有反映大量的要素可能会导致双方之间的差异, 虽然这些要素可能代表了非常不同的心理体验。最后, 在差额计分公式里边, 对于系数的符号和大小也有着严格的约束, 而实际数据却几乎没有证实这样的约束条件[4]。综之, 差值法的优点是能够抓住匹配的整体性质, 但其缺点是概念的模棱两可、信息丢失、对差异来源的非敏感性以及过于严格的约束条件等[8]。

Edwards (1993) 提出了计算实际匹配的另外一种替代方法, 也就是多项回归分析法[14]。这种方法的使用是基于这样的一些假设: (1) 对于人-组织匹配和效标之间的关系应当从个人特征、组织特征和效标变量三个维度来加以考虑; (2) 在分析中应当使用三维响应曲面来描述个人和组织双方对效标变量的联合影响;以及 (3) 应当考虑将差值法所暗含的约束条件作为假设条件, 这些假设条件应当是能够被检验的。使用这种方法时, 研究者首先需要选择能够最好地说明数据的概念模型的函数形式, 并识别出相应的约束和非约束回归等式。通过使用这些等式中的任意一个等式来测试该模型, 并且对它们的结果加以比较, 那么, 和概念模型相应的函数形式就可以被直接加以检验, 而不只是假设[4]。从根本上来说, 多项回归分析法避免了将对人和组织测量的结果混合成某一个单一的分数从而来评估匹配, 取而代之的是, 人和组织测量的结果 (X和Y) 以及相关的更高阶的项目 (X 2, XY和Y 2) 都可以作为预测变量。由于X和Y以及因变量都是唯一的, 因此, 可以在三维曲面图中对匹配关系加以描述[8], 而且, 这种对于曲面图的视觉检查通常能够揭示出更为复杂的关系[14][15]。比如, Kristof-Brown等 (2005) 的研究发现, 采用多项回归分析法的研究通过对曲面图的检验, 所得到的关于人-组织匹配和相关效标变量之间关系的结论, 和传统上对对称匹配的关注是有分歧的。这些研究指出, 当人和环境的得分都高时, 相比于这两个得分都低的情况, 态度指标的得分可能是最高的。另外, 这些研究中的大多数都指出, 当发生不匹配的情况时, 效果是不对称的, 比如, 当环境条件过剩时, 对态度的负面影响是微乎其微的, 而当人的条件得不到满足即环境条件不足时, 态度得分将会急剧下降[8]。另外, 相比于使用其它计算匹配手段的研究的荟萃分析估计值, 使用多项回归方法的人-组织匹配研究通常会产生较大的效应[8][3]。

多项回归分析法虽然解决了差值法所固有的一些问题, 但这种方法也有一些缺陷。一是使用多项回归分析法可能产生的更高阶项 (比如, X 2、Y 2和XY) 的概念有效性问题。虽然这些更高阶项可能会受到实证支持, 但除非它们和理论是相关的, 否则它们对于概念理解是没有帮助的。二是有一些研究者认为, 差值法有可能代表了一些和它们的组成要素在概念上有所区别的内容, 所以, 多项回归分析法所分析的组成内容和差值法所分析的结构是不一样的[4]。

到目前为止, 关于采用何种方法来测量和计算匹配的问题, 观点仍未取得一致。一是在对于实际匹配的计算方法上面, Edwards认为, 很多人-工作匹配和人-价值观念匹配文献在方法论上都存在瑕疵, 以至于严重影响了其对于所获得的结果的解释能力, 尤其是那些使用了剖面相似指标 (PSIs) 的研究所提出的匹配和效标变量之间的关系, 当用多项回归方法对它们重新加以分析时, 其结论往往不能得到支持[8]。而Kristof-Brown (2005) 等则认为, 虽然Edwards的这种说法是有一定道理的, 但是, 在绝大多数研究中, 多项回归分析的结果是进一步证实了而不是否定了差值法所得出的这样一个重要的结论, 那就是人和环境之间的匹配对于个人而言是有益的。而且, 任何领域的进步都只有在认识到以往研究的不足、在可行的情况下对此加以改进、以及在将原有的研究结果和改进后的研究所得到的结果加以比较之后, 才能获得。所以, 问题并没有严重到要将差值法这种传统的研究方法加以取消的地步, 而这种传统方法从它出现开始, 已经持续半个多世纪不断地激励着人们对人-环境匹配领域问题的研究兴趣[8]。二是在对于匹配的测量方法上面, 有很多研究者采用了间接测量的方法, 他们假设人会对个人特征和组织特征进行分开评估, 然后采用一定的方法对两者的特征进行比较, 在此基础上, 确定人-组织匹配的程度, 并由此决定后续的工作态度和工作行为。而Schneider (2001) 则认为, Lewin在提出个人 (P) 和情境 (E) 的结合导致了个人行为的观点的时候, 并未进一步指明, 这种结合是P×E, (P-E) 2, P+E+P×E, 或者其它形式。所以, 如果把人和环境分离开来, 那么, 就在某种程度上违背了“结合”这个概念。因此, 直接研究匹配并无不妥, 因为直接评估匹配可以和Lewin关于“结合”的概念背后的主旨保持一致, 从而保证了人和环境相结合的首要地位[6]。所以, 虽然人可能会对个人特征和组织特征分别进行评估, 并对这两者加以比较, 但个人究竟采用了什么样的方法对这两者之间的差异进行处理, 并最终得出匹配程度的结论, 这个过程是非常复杂的, 而且, 对于不同的个人来讲, 在处理方法上面以及在处理过程中对各个维度的权重分配等方面很可能存在着差异, 因此, 简单地用差值法或者多项回归分析法来代表这种处理方法和处理过程, 很可能会造成人为的偏差。所以, 在对匹配感知的形成机制尚未达成清晰的认识之前, 直接使用个人对人-组织匹配的整体感知来预测人的工作态度和工作行为, 也不失为一种科学合理的方法。

4 结束语

综上所述, 在人-组织匹配研究领域, 目前的研究多采用实证研究方式, 理论研究数目很少。所以, 未来的研究应当在对已有研究进行整理、分析的基础上, 增加理论研究的数量和深度, 建立关于人-组织匹配的理论模型, 以对未来的研究提供理论指导。

其次, 在实证研究方法上, 一方面, 在匹配的测量上, 应当根据研究结构的范围, 来决定是选择直接测量还是间接测量, 以及在多大程度上实现同构测量。另外, 对于直接测量方式下可能出现的共同方法偏差, 应当采用相应的程序控制和统计控制方法来加以抑制。另一方面, 在对实际匹配的计算上, 可以考虑在同一项研究中同时运用差值法和多项回归分析法等方法, 以在排除其它因素影响的基础上, 对不同计算方法所得出的结论进行对比分析, 从而更好地比较这些方法的优劣, 同时, 也有利于在将来的研究中, 能够更好地选择合适的研究方法, 或者, 对这些方法进行取长补短的运用。

最后, 在人-组织匹配研究中, 应当运用系统的观点, 综合考虑人-组织匹配和其它类型的人-环境匹配的共同作用以及和其它相关的调节变量的共同作用, 以更全面和深入地理解人-组织匹配和相关效标变量之间的关系。

基于匹配追踪的谱分解方法及其应用 第2篇

基于匹配追踪的谱分解方法及其应用

谱分解技术作为一项新颖的地震解释技术,在储层预测等方面得到越来越多的应用.准确刻画地震信号在时频空间分布特征是谱分解技术的关键.短时傅里叶变换的时频分辨率受时窗长度限制,不同的.时窗参数对结果有较大的影响.小波变换以其多分辨率的特点能够得到更好的时频分布,但其在时间-尺度概念下的时频分解难以理解,而具有自适应特征的匹配追踪方法时频概念相对明确,模型和实际应用表明匹配追踪谱分解具有较好的时频分辨率,更适用于复杂的地震信号.

作 者：冯磊 姜在兴 Feng Lei Jiang Zaixing  作者单位：中国地质大学(北京)能源学院,北京,100083 刊 名：勘探地球物理进展 英文刊名：PROGRESS IN EXPLORATION GEOPHYSICS 年，卷(期)： 32(1) 分类号：P631.4 关键词：地震信号   谱分解   时频分析   小波变换   匹配追踪  

匹配方法 第3篇

[关键词]冲激函数匹配法 冲激系数 跃变量 矩阵式 递推式

[中图分类号] TN911.6 [文献标识码] A [文章编号] 2095-3437（2015）06-0065-02

引言

LTI连续系统通常采用常系数线性微分方程描述，并给出系统在0-时的初始状态。一般激励信号在0时刻加入系统，因此响应是从0+时开始的。时域求解方法需要求得从0-到0+的跃变量，由于跃变量的大小决定于激励在微分方程中的冲激项，由此产生了冲激函数匹配法。一般教材[1] [2] [3] [4]对冲激函数匹配法的介绍比较简单，没有一个系统的思路脉络，学习理解起来比较困难。本文推导冲激匹配系数与跃变量的计算公式，以及包括0时刻冲激的响应表达式。

四、结论

本文根据方程两边导数阶次的不同关系分别推导了系数求解公式，其中递推式适合于高阶次大量运算，矩阵式表达简明，适合于小阶次的系数的求解运算。有了系数后跃变量就可求出，从而系统状态就可从0-跃变到0+，系统的响应也就可以解得。本文的分析理清了冲激函数匹配法求解响应的思路过程，从而为正确应用这一方法提供帮助。

[ 参 考 文 献 ]

[1] 郑君里，应启珩，杨为理.信号与系统（第三版）[M].北京：高等教育出版社，2011.3.

[2] 吴大正等.信号与线性系统分析（第4版）[M].北京：高等教育出版社，2005.8.

[3] 姜建国等.信号与系统分析基础（第2版）[M].北京：清华大学出版社，2006.

[4] 管致中等.信号与线性系统（第4版）[M].北京：高等教育出版社，2004.

[责任编辑：王 品]

[收稿时间]2014-12-18

[基金项目]2013年河南理工大学研究生精品课程（2013YJPKC06），项目名称：通信系统仿真。

匹配方法 第4篇

关键帧提取技术是视频语义检索的关键技术，是视频信息索引、浏览与检索的基础。关键帧(也做代表帧)是用于描述一个镜头的关键图像帧,反映一个镜头的主要视觉内容[2]。目前的关键帧提取方法主要有基于镜头边界法、基于内容分析法、基于运动分析法和基于视频聚类法等[3]。

镜头边界法由于其直观、计算开销小的优点得到了广泛应用。视频片段由语义相关的镜头组成，而镜头是指一系列连续纪录的图像帧，一般是由摄像机一次摄像的开始和结束的所有帧构成[4]，可见，一个视频片段是由一系列在时间和空间上存在很大冗余的连续图像帧构成。在整个视频中,当从一个镜头变换到另外一个镜头的时候,相邻的图像帧之间的背景、人物、环境等都会发生明显变化,具体体现在图像的颜色的分布上[5,6]。因此,要判断两幅图像之间的相似性,可以根据图像的颜色属性来实现。目前基于颜色属性的场景切分,已经提出了多种方法:基于统计、基于变换、基于特征和基于直方图等[7]。在文献[8]叙述的方法中,采用了基于交互信息量的技术来对镜头检测,进行场景切分。对连续的两帧,分别独立计算出其三个RGB分量的交互信息量和联合熵,再计算总的交互信息量,然后对每个帧间交互量,计算其滑动窗口内交互信息量的均值,再与给定的阈值进行比较,从而判断是否在此帧处检测到了镜头边界。这种方法存在的问题是：即使两张图片在视觉上相差很大，但他们的颜色直方图还是有可能非常相似。因此文献[9]提出了一种基于HSV空间模型的视频场景切分方法。该方法首先将图像的RGB值转换为HSV值,然后量化得出一维特征矢量值,再计算其直方图,通过统计比较计算得出两幅图像的相似性,最后根据其相似性与实验给定的阈值进行比较,以判断是否发生了场景切换。这种方法避免了两幅不同图像之间因RGB颜色直方图却有可能相同而无法区分的缺点,从而更加准确地对视频进行场景切分。然而依然存在的问题是：HSV直方图对图像中的细节变化并不敏感。

通常衡量关键帧提取算法或镜头切分方法的标准是查全率和查准率[10,11]。

查全率=正确检测数/(正确检测数+漏检数)

查准率=正确检测数/(正确检测数+误检数)

应用于视频检索中的关键帧提取算法，其查全率要求应当高于查准率。因为查准率低将会产生冗余关键帧，其结果是导致视频检索系统的效率降低。而查全率低将会导致视频检索系统遗漏目标信息，无法为用户提供正确的结果，这将降低视频检索系统的实用性，在安全、军事等领域应用的视频检索系统更无法容忍遗漏。所以算法应当在保证正确结果的前提下提高效率，而不是为了效率牺牲其使用价值。文献[9]给出的方法其查全率在达到100%时，平均查准率为58%，为解决此问题，本文对HSV直方图提取关键帧算法进行改进，并使用轮廓Hu矩匹配算法对视频中可能出现细节渐变的区域进行二次关键帧提取，试验证明，在保证查全率的同时可提高查准率。

1 方法分析

1.1 基于HSV直方图的关键帧提取算法

HSV颜色模型是一种基于感知的颜色模型,它把彩色信号表示为三种属性:色调(Hue)、饱和度(Saturation)和亮度(Value)。这种颜色模型用Munsell三维空间坐标系统表示[12]，更适合人的肉眼判断。当从图像中得到RGB颜色空间的值(r,g,b)，r,g,b∈[0...255]，可通过计算将其转换成HSV颜色空间的h,s,v值,并通过相应公式进行量化。得出H,S,V的量化值之后,就可以把三个颜色分量合成一维的特征矢量[13]。

其中,Qs、Qv分别是分量S和V的量化级数,通过计算L的值得出HSV直方图，可用于比较两幅图的相似度。文献[9]中使用直方图相交算法(INTERSECT)对相似度进行度量：

这种方法强调了两幅图的差异，但使用于视频中的图像帧进行比较时，其缺点是：对于图像内容发生轻微位移过于敏感。本文使用BHATTACHARYYA比较算法代替相交算法：

相比较INTERSECT而言，BHATTACHARYYA比较方法对图像大小变化具有一定的稳定性，并降低了对于轻微位移的敏感程度。

1.2 Hu矩轮廓匹配算法

轮廓是构成任何一个形状的边界或外形线，对细微变化敏感。Hu矩是一种不变矩，具有一定的旋转、平移、尺度等特性的不变特征。所以，如图1所示，当两帧之间有局部细小物体发生改变时，Hu矩轮廓匹配方法可以识别(对比结果为0.0154677)，当两帧之间只是物体逐渐移动时，该算法并不过于敏感(对比结果为0.000012)，如图2。

M.K.Hu对于定义O-xy平面上的二维密度函数f(x,y)，以黎曼积分的形式给出了它的函(p+q)阶二维矩的定义[14]：

这里mpq=又称为(p+q)阶混合原点矩。相应地定义f(x,y)的(p+q)阶混合中心距：

其中：

对于图像而言，零阶矩m00表示图像灰度的总和;一阶矩m10和m01，分别表示以图像坐标为权的x方向和y方向的灰度总和;表示灰度图像f(x,y)的灰度质心。

设目标区域D中的灰度分布为f(x,y)，x∈D。为了描述目标，将区域D以外的区域的灰度分布视为0，于是目标的区域原点矩和区域中心距就分别变成：

规格化的中心距定义为：

其中:γ=(p+q+1)/2,p+q=2,3…。

直接用原点矩或中心距进行特征表示，不能使特征同时具有平移、旋转和比例不变性。M.K.Hu利用二阶和三阶中心矩构造了七个不变矩，并证明了它们对于平移、旋转、尺度缩放都具有不变性。具体表达式如下：

在得到以上七个不变矩后，本文使用以下公式对其相似度进行对比：

2 方法描述

2.1 结合轮廓匹配的HSV直方图关键帧提取方法可描述为以下步骤

1)获取第一帧图像中每个像素的RGB颜色值，通过计算将其转化到HSV空间。

2)通过式(1)计算得出HSV直方图Histogram1。

3)获取下一帧，并计算出Histogram2。使用式(3)比较两幅直方图，得出比较结果Similar。

4)根据给定的阈值S1,判断视频文件是否在此帧处发生了镜头切分。若Similar

5)给定镜头长度阈值L，该阈值用于监视可能出现的HSV直方图对图像中细节变化不敏感问题。在步骤(1)-(4)中，如果超过L帧未出现镜头切分则判断为可能出现关键帧遗漏，进入步骤(6)。

6)对长度超过L的镜头使用Hu矩轮廓匹配算法进行二次镜头切分。

2.2 Hu矩轮廓匹配算法步骤如下

1)获取第一帧图像，查找轮廓，使用式(10)计算Hu矩。

2)获取下一帧，查找轮廓，使用式(10)计算Hu矩，使用式(11)比较两幅图像的Hu矩，得出比较结果Compare。

3)根据给定的阈值S2,判断视频文件是否在此帧处发生了镜头切分。若Compare

3 实验结果分析

本文实验使用C#图像处理平台Emgu.CV。为准确说明问题，如图5、图6所示，实验选用了一段新闻联播视频和一段Open Video视频机构提供的学术用视频“NASADT10-PlaneParachutes”，新闻片段14秒，441帧，为“主持人片段”，其特点是由于右上方的小画面中有物体不断变化，共产生8个镜头，“NASADT10-PlaneParachutes”片段共31秒，9个镜头。

通过实验发现：使用HSV直方图方法进行镜头切割提取关键帧时，如果希望在新闻片段中准确识别出小物体的变化提取关键帧，就需要一个较小的阈值S1，但在阈值S1的作用下，在“NASADT10-PlaneParachutes”片段中出现的冗余关键帧数是实际关键帧数的近乎4倍，大大降低了查准率。而如果要在“NASADT10-PlaneParachutes”片段中取得较高的查准率，就要设置一个较大的阈值S2，在较大的阈值作用下，算法几乎无法分辨新闻片段中的小区域的细微差别。本文方法在使用阈值S2情况下，对新闻片段使用轮廓匹配方法进行二次镜头分割，除有2个主持人镜头轮廓相似，未能分辨外，其余均能正确切分。得到较高的查全率。

另对Open Video视频机构提供的学术用视频NASAKSN-ElCuerpoEnElEspacio、NASAKSN-E-Mail进行了试验，结果如下：

4 结束语

在遇到过长的镜头时，本文认为该镜头中可能存在HSV直方图无法识别出的细小物体变化，对该镜头使用轮廓匹配算法进行二次切分，从而解决HSV直方图对图像中的细节变化并不敏感的问题。

查全率和查准率是一对相互矛盾的存在，在类似于军事侦察视频的处理中，如果需要查全率达到100%，可以通过牺牲查准率来实现，本文算法以表1给出的数据为临界，如果要再提高查全率，查准率会急剧下降，在查全率为100%时，平均查准率为67%。

摘要：针对HSV直方图法提取关键帧时,对帧与帧之间的细小物体变化不敏感的问题,提出一种结合轮廓匹配进行二次镜头切分的关键帧提取方法。其核心是对可能含有细小物体渐变的镜头使用基于Hu矩的轮廓匹配法进行二次切分。实验证明该方法具有较高的查准率和查全率。

匹配方法 第5篇

01

我相信志同道合，不相信一见钟情。

所以我的爱情来的很理智。

姑且在这里称他为“大吴”，11月22日，他成了我的合法丈夫。

那天，我拿着刚出炉的红本本笑着对他说“我们现在是合法同居了”，他鄙视的看着我，还是笑了。

传说的红本本

亲朋好友祝贺我们的爱情修成正果，这段爱情在大家看来也都是水到渠成，意料之中。

而我与大吴的相识，却是那么的不靠谱，以至于我对我们的相识总是遮遮掩掩，不敢公之于众，借口说是学校活动认识的。

02

那是末，那正是我大学时光开始的日子，我们在网络上相识了。现在看来，网络是我们的红娘，这个网络就是微信中的“附近的人”，那个时候微信“摇一摇”和查看“附近的人”的人相当的火，无聊的大学时光怎么能不去尝试呢?

更何况，我读大学的梦想之一就是在大学谈一场恋爱，也许着看起来很可笑，但这是我真实想法，因为我至始自终觉得只有校园的爱情，无关物质，只有纯粹的风花雪月。

奈何，我是一所男女比例极不协调的师范学校，男性竟成了稀有动物。

虽然大学有无尽的时光，无尽的电影电视和书籍等待着我，但我的校园爱情梦想从未忘记。在摇一摇和附近的人推出来的时候，我也按捺不住，结交了一帮狐朋狗友，谈天说地。

我一直觉得，虚拟的环境中更能让人敞开心扉，互诉衷肠。

那些虚拟的网友在我不断的交流和筛选中，大吴脱颖而出，成了我的恋爱目标。

现在想起来，爱情哪有什么水到渠成，还不是自己暗地里推波助澜。

03

大吴几乎完全符合我对男友的期望，年龄比我大一岁，学历相当，专业相仿，重要的是在我的观察中，他是一个有自己规划并雷打不动的执行，人品自然不错，也很符合“潜力股”的特质，而最最主要的是他们学校和我们学校相邻，那个学校是我所向往的。

我是理智的人，我也希望对方是一个成熟的人，孰轻孰重，都有自己的一个主见，大吴是一个这样的人，有过之而无不及。

一开始，我们的爱好相同的少，不同的.多。

他是艺术生，喜欢画画，还喜欢打游戏。我是文科生，喜欢阅读，那时我对游戏的理解还停留在开心斗地主的层面，万万想不到我最后在召唤师峡谷如痴如醉。

所幸，我们有爱看电影的共同爱好，常常分享好电影，我也给他分享一些值得阅读的好书。

为了拉近距离，我捡起了我小时候的爱好——画画，死皮赖脸拜他为师，让他教我画画，为了证明我确实喜欢画画，还认认真真，像模像样的画了一幅“玫瑰”。

就是这幅赶鸭子上架的画

于是，我们从朋友变成了师徒，关系拉近了一步。

说是师徒，其实并未认认真真的教我什么，也就是讲了一些理论性的东西，给了一些参考教材，也就没什么后续了。

日常就是不咸不淡的聊着，关系的转变是的愚人节，愚人节也可以成为表白节。是的，那天他发了一句表白的话，我暗自得意，表面依然云淡风轻，继续调侃他。

他虽然很郑重的说不是玩笑，但那时我们还未曾见面，仅仅是视频过。

让我耿耿于怀的是他的身高，仅一米七多一点，而且还是北方人，于是我后来常常说他是一个假北方人。而且并未见面相处，许多东西尚未可知。

见面，成了必然。

虽然在网络中已是熟人，但是初次见面依然无比尴尬。为了安全，是在我们学校见面的，不得不佩服自己无时无刻的理智和清醒。

04

那天的见面很平淡，如同老朋友见面。彼此和印象中所差无几，便在校园逛了几圈，他有些许期待，稍显殷勤。我则是挣扎在他的身高上，毕竟，我理想中的身高怎么也不能低于175吧。谁让我是处女座呢?

我们真正确定关系的那天是清明节，这个日子成了我们的恋爱纪念日，这个梗常常成为笑谈。

那时候，宿舍的同学都各自回家的回家，玩的玩，我则因为做兼职留在学校。那时候他常常会在没课的时候来我们学校，听说我要去做兼职，便提议下班的时候去接我，美名其曰一个女孩子回学校不安全，要去了兼职的地址。

因为我们两个学校虽然相邻，但来回之间颇有不便。便给他说，如果下雨你就别来了，回去不方便，他答应可以。

如果做过促销就知道，需要换上专门的服装，自己的贵重物品不便携带，锁在了别人的柜子里，仅仅是衣服放在了外面。

巧合的是，柜子的主人那天中午就下班去了外地，只有明天才回来。知道这个消息的我欲哭无泪，既不能把柜子主人召唤回来，也不能撬开柜子，除了无助剩下的就是凄凉。

庆幸的是，在这里兼职促销已有一段时间，一个阿姨知道之后借了我10块钱，那时候真的很感动，总算不至于流落街头。

而且最悲哀的是，那天真的下雨了，真是心如死灰，一丝期待了化为了虚无。

下班之后，如果按照我们的约定，他不应该来，我身无他物，也不能确认他来没来。也许是心里的侥幸和期待，没有从后门离开，走了我给了他地址的大门。

期待的在大门张望，并没有他的身影，一头扎入雨中，那一刻的心情和费玉清的“雪花飘飘，北风萧萧”那首歌绝配，真是一个凄凉而又悲伤的倒霉蛋。

就在自己为自己哀叹的时候，一把雨伞让冰冷的雨消失了，就像电视剧的情节一样，他打着伞站在了我的身后。本来坚强的自己，再回头看到他笑着的模样，再也绷不住自己的眼泪，成了脆弱的小绵羊。

我想这是天意，也算天作之合，有什么比他在你最需要的时候出现更让人感动呢。

至此，我觉得身高算什么呢!毕竟那一天回头的那一眼，他的身影已经如此高大。

他的好，我知道已经足以!

匹配方法 第6篇

关键词：星图匹配 三角形匹配 研究

中图分类号：V448 文献标识码：A 文章编号：1007—3973（2012）009—101—02

1 引言

基于三角形方法的星图匹配是为了有效配准图像中星源而提出的。匹配两维点源坐标立标的问题需要预先得到天体测量的底片常数。其中包括平移，缩放，旋转等等。

2 创建三角形点列表

得到目标点的中心，然后按照星等由小到大进行排序，最后选择最亮的n颗星输出到列表A中。表A用来存储图像中拍摄到的目标的中心和星等信息。直接读取星表所给数据，按照星等由小到大排序，最后输出到列表B中，在每个列表中选择n颗亮星，期望它们都能找到自己所对应的星。

创建三角形列表。定义BC为最长的边，是最短的边，n个点可以构造T个三角形，T的确定如下：

定义点积和和最长边和最短边的比率如下：

其中是C到B的向量，是C到A的向量，a/c最长边和最短边的比率。点积对平移和旋转具有稳定性，用下面公式表示点积：

3 三角形匹配

在构建好了三角形列表A，B后，对三角形列表B按最长边和最短边比率来分类，将比率在yi €？ 内的三角形才进行匹配计算，这样可以降低计算量和复杂度。

计算底片常数。在三角形列表A和B进行匹配成功后，进行底片常数的计算。计算标准坐标，转换公式如下所示：

其中代表星表中的赤道坐标，（A，D）代表原点。如图1所示。

其中a，b，c，d，a'，b'，c'，d'是描述两个坐标系统之间的平移和旋转的底片常数，L是焦距。通常选取多个点用最小二乘法来求a，b，c，d，a'，b'，c'，d'，作为一个检验，有a=b'，b=—a'，这是由Edberg1983年提出来的。底片常数的绝对误差超过2.5%，则这个候选对象被拒绝。

标准坐标（ ，），和测量坐标（x，y）的转换关系如下：

4 三角形匹配方法的实现

通过三角形方法的匹配主要工作是创建三角形，表1是对图像的目标创建三角形列表部分数据。三角形数据按照最大边与最小边的比率降序排列。

利用matlab2008a对上文中给出的星图三角形列表中数据编程实验，给定比率误差在小于0.005，点积误差小于0.005，最小边长度误差小于0.005为限制条件最终得到匹配结果，表2给出了导航星表中三角形点和星图三角形列表中行对应匹配点的对应关系。将望远镜参数代入公式（6）、（7）中可以求得底片常数。

用算得的底片常数可以计算出图像中每个点在标准坐标中的坐标位置。

5 总结

通过文章分析和利用matlab计算可以看出利用三角形方法进行星图匹配具有较好的实用性，在实际的星空导航系统中可以得到一定程度的应用。

参考文献：

[1] 房建成，全伟，孟小红.基于Delaunay三角剖分的全天自主星图识别算法[J].北京航空航天大学学报，2005，31（3）：312—315.

[2] 陈元枝，郝志航.适用于星敏感器的星图识别方法[J].光电工程，2000，27（5）：5—10.

[3] 邹晓，靳艳峰.基于贪心算法进行三角剖分的印鉴匹配方法[J].计算机工程与设计，2007，28（5）：1199—1201.

[4] 朱长征，张志龙，沈振康.一种新的星模式识别算法[J].宇航学报，2005，26（sup）：35—38.

[5] 任俊杰.快速星像匹配算法的比较[D].广州：暨南大学，2010.

[6] Seheehter P L，Mateo M，Saha A.DOPHOT，A CCD Photometry Program：deseription and tests[J].PASP，1993，105：1342—1353.

[7] Mikhail Belenkii，David Sandler，Donald Bruns，et al.DAYTIME STELLAR IMAGER FOR ATTITUDE DETERMINATION[P].United States Patent Application Publication，US20060085130A1，United States，2006 Apr.20.

基于灰色关联分析的图像匹配方法 第7篇

目前的图像匹配算法主要可分为基于图像特征的匹配和基于像素灰度值的匹配这两大类[1,2]。前者是通过提取图像中的边缘、轮廓、直线、纹理等特征来作为匹配标准, 优点是计算量小, 但对特征复杂且提取困难的图像达不到理想的效果。而后者利用图像间灰度信息的相关性作为匹配判决准则, 优点是实现简单, 匹配精度高, 但不适用于对运算速度有较高要求的场合。

将灰色关联分析方法运用于图像匹配, 能够充分地利用图像中的差异和相似信息。而单一地采用灰色关联理论判断图像的相似程度, 这种方法存在如下问题:两个序列间整体的相关度并不能反映序列中对应每个点的相关程度, 所以由此判断图像是否匹配不具有唯一性。所以为了确定两幅图像匹配的绝对性, 本文先利用灰色关联分析理论找出模板图像和原图的最大关联处, 然后通过直方图关联和边缘匹配进一步验证该位置的子图像和模板图像是否一定匹配, 从而完善整个匹配过程的准确程度, 找到正确的匹配位置。

1 灰色关联匹配模型

灰色关联分析是根据数据序列间的发展趋势、信息相似性, 找出信息系统中各因素间的复杂关系, 判别数据序列之间的相关程度[3,4,5,6]。灰色关联匹配模型采用灰色关联分析来判断模板图像和子图像的之间相似关系, 从而找到原图像中的最大关联处, 以便确定待匹配目标的最佳位置。

假设待匹配图像F的大小为M×M, 而模板图像T的大小为N×N (N为奇数) , 以模板图像同样大小的搜索窗口在待匹配图像上平移, 所覆盖的子图记作Sp, q, 其中 (p, q) 为子图Sp, q左上角像素点在图像F中的位置 (1≤p, q≤M-N+1) 。以子图Sp, q的灰度值作为比较序列Sk, 模板图像T的灰度值作为参考序列T0, 那么两个序列间的关联程度为

其中

式中:ε称为分辨系数, 其值在 (0, 1) 区间选择。

参考序列和比较序列分别表示为

式中:L为数据序列的个数。

根据式 (1) 可知, R0, k∈ (0, 1], 当其取值越大时, 表示参考序列和比较序列之间的关联度越大, 即说明该位置处的子图与模板图像的相似度越大, 且越接近于最佳匹配位置。若子图和模板图像完全一致, R0, k达到最大值为1。

2 基于直方图的灰色关联度分析

图像的直方图是图像像素灰度分布的体现, 反映了图像中各个灰度级和其对应频数间的关系。而上述基于图像灰度关联的匹配模型能对模板图像在原图像上的坐标进行定位, 但是并不能保证图像匹配位置的准确性。所以本文首先从灰度分布这一方面, 利用图像直方图间的灰色关联度, 验证上述定位出的子图像和模板图像间的相关程度。

若将模板图像的直方图作为参考序列TR, 将最佳位置处子图像的直方图作为比较序列Si, 那么两序列间的灰色关联度为

其中

式中:nbins为关联序列的长度, 取值为图像直方图的灰度级数;t0 (k) 和si (k) 分别表示参考序列TR和比较序列Si集合中的元素。

由式 (8) 可知, 子图与模板图像直方图关联得出的RTS值越大, 表明该块图像和模板图像的相似度越高。同样, 当两幅图像完全匹配时, 其取值为1。

然而, 图像的直方图信息仅仅反映了图像中不同灰度总体的概率分布, 无法体现具有不同灰度值的像素之间的空间位置关系, 所以具有相同直方图的图像并不能充分证明图像是完全一致的。而图像的直方图信息所表示的只是图像的灰度特征, 因此需要考虑图像的几何特征来进一步确定模板图像和定位出的子图像是否一致。

3 边缘特征和Hausdorff距离

图像的几何特征分为很多类, 其中最基本是边缘特征[7]。为了验证图像匹配结果的正确性, 本文利用Canny算子提取图像的边缘, 通过计算边缘对应点之间Hausdorff距离, 从而从特征分布这一方面来验证匹配结果的正确性。

Hausdorff距离是一种描述两组点集间相似程度的量度[8,9]。由于基本形式的Hausdorff距离存在许多缺陷, 故采用均值Hausdorff距离来进行匹配验证。若通过灰色关联匹配模型得到定位处的子图像为I, 而模板图像为T, 则均值Hausdorff距离的定义为

式中:NI是I中边缘点的个数;dT (i) 表示I中的点i到点集T的最小距离;代价函数ρ是对称函数, 而且在零点有唯一的一个最小值, 定义为

式中:τ是用来剔除出格点的阈值;hT (I, T) 度量了I和T两个点集之间的最大不匹配度, 其值越小证明匹配程度越高。若图像完全匹配, hM (I, T) 取最小值为0。

4 实验

根据本文的设计思路, 全部程序在MATLAB 7.1上实现。选取的待匹配图像如图1所示, 大小为550×550。而模板图像为在待匹配图像中截取大小为31×31的子图, 如图2所示。

将图像灰度化后, 通过灰色关联匹配模型找出待匹配图像中的最佳匹配点, 程序返回原图与模板图像匹配位置的中心坐标, 即可能匹配的点 (288, 286) , 在待匹配图像中以 (288, 286) 为中心坐标截取大小为31×31的子图像。

通过直方图关联分析, 程序返回该子图与模板图像直方图间的灰色关联度, 实验计算得到的值为1。而通过边缘提取, 程序返回该子图与模板图像间的Hausdorff距离, 得到的值为0, 结果均符合两幅图像完全匹配时的条件。由此可知, 模板图像在原图像上空间对准的坐标为 (288, 286) , 匹配结果如图3所示。

若在原图中截取大小为43×43的模板图像, 如图4所示。同上述过程, 先通过灰关联匹配模型, 找到可能匹配的点 (308, 248) , 截取子图像。同样程序返回直方图间的关联度为1, Hausdorff距离为0, 匹配结果如图5所示。结果证明了通过灰关联匹配模型得到的最佳匹配位置均符合灰色特征和几何特征两方面相关时的条件。

将模板图像叠加到原图像中的匹配位置处, 图像的边缘衔接处光滑平坦且纹理自然完整。在实验过程中采用了多张不同的图片进行图像匹配, 通过上述相同的实验步骤均得到了理想的匹配结果, 也验证了其正确性。

5 总结

本文利用灰色关联理论完成了定位匹配目标的过程, 并且结合图像的直方图信息和边缘特征间相关程度, 排除了匹配失误的可能性, 增强了图像匹配的正确率。通过对不同图片进行实验, 展示了灰色关联模型的匹配定位以及从灰色特征和几何特征两方面求取相似度的全过程, 同时也验证了这种算法的有效性和可行性, 可用于实时计算。

摘要：针对图像匹配正确率的问题, 在研究灰色关联理论的基础上, 提出了基于灰色关联分析的匹配方法, 找出模板图像在待匹配图像中的最佳匹配位置。通过计算图像直方图的灰关联度及边缘点集间的Hausdorff距离, 从图像的灰度分布和形状特征两方面来验证了定位的准确性。实验采用了多张不同的图片进行图像匹配, 实验结果表明了该算法的有效性和良好的匹配效果, 具有匹配效率高、匹配误差小等特点。

关键词：图像匹配,灰色关联分析,直方图,边缘特征,Hausdorff距离

参考文献

[1]章毓晋.图像工程 (中册) :图像分析[M].2版.北京:清华大学出版社, 2005.

[2]ZITOVA B, FLUSSER J.Image registration methods:a survey[J].Image and Vision Computing, 2003 (21) :977-1000.

[3]胡隽, 何辅云, 贺静.灰色系统理论在图像处理中的应用[J].电视技术, 2003, 27 (7) :19-22.

[4]黄瑶, 熊和金.目标识别的灰关联方法研究[J].湖南农业大学学报:自然科学版, 2009, 35 (S1) :103-105.

[5]杜志顺, 吴国平, 裘永宵, 等.复合板灰色自适应瑕疵检测[J].计算机应用, 2010, 30 (8) :2250-2253.

[6]马苗, 鹿艳晶.基于灰色理论和遗传算法的快速图像匹配方法[J].计算机工程与应用, 2008, 44 (32) :169-172.

[7]任澍, 唐向宏, 康佳伦.纹理和边缘特征相结合的图像修复算法[J].计算机辅助设计与图形学学报, 2013, 25 (11) :1682-1693.

[8]张洪霞, 俞利, 叶旭鸣.基于边缘特征和hausdorff距离的图像匹配算法[J].计算机工程与应用, 2010, 46 (9) :47-50.

基于模板匹配的图像检索方法研究 第8篇

关键词：模板匹配,图像检索,相关系数,几何纠正

1 引言

随着多媒体和信息技术的发展, 图像的来源已经越来越广泛, 如何从海量的图像数据库中快速准确地找出用户需要的图像是当前亟待解决的问题。目前的图像检索算法主要有基于文本的图像检索、基于内容的图像检索和基于语义的图像检索等。然而由于图像可能存在着丰富的信息, 而词汇本身存在着局限、易歧义、更新慢等特点, 所以很难应对网络上日新月异的各类图像。随着计算机视觉的快速发展, 基于内容的图像检索技术也已取得了一定的进展且已成为近年来的研究热点。Tamura等人对图像纹理进行了细致的分析[3], Haralick等人则提出了灰度共生矩阵[4], 也有学者使用Hough变换提取图像的旋转不变纹理特征等。迄今为止, 已经有多种关于纹理旋转不变性的分析方法。

而在多数情况下, 对于用户指定的示例图像, 感兴趣的往往只是该图像上的一块区域, 对图像进行全局纹理分析往往会产生一些多余信息。而且当影像几何变形较大时, 影像上同一物体的纹理会发生明显的变化。

提出了一种基于几何纠正的模板匹配方法。对于用户指定的一幅示例图像, 首先由用户指出其感兴趣区域窗口, 将示例图像同影像库中的影像进行ASIFT匹配建立几何变换关系。然后对检索影像进行几何纠正后创建感兴趣区域窗口对应的匹配模板, 逐像素计算相关系数, 计算平均相关系数作为匹配测度, 从而完成图像的检索。

2 图像的特征匹配

采用ASIFT算法对两幅图像进行匹配得到几何变形参数。

2.1 ASIFT匹配基本原理

ASIFT算法的具体步骤如下: (1) 选取采样参数, 模拟不同经度与纬度的图像; (2) 计算模拟图像的特征; (3) 结合所有的模拟图像的特征, 进行特征匹配。

其核心思想是模拟不同的经度与纬度的图像, 对具体模拟图像进行特征提取和匹配, 可选择SIFT、SURF等特征。

ASIFT匹配的第一步是对每张图片进行变换, 模拟所有可能的仿射扭曲。

这些扭曲由两个参量决定:水平角度φ和垂直角度θ。将图像旋转准度由倾斜度参数t完成:。设原始图像为u (x, y) , 原始图像在X轴上倾斜度为t的变换经u (x, y) →u (tx, y完成。

对图像进行旋转变换和倾斜变换可以模拟一些不同水平角度和垂直角度拍摄的图像。对这些参数进行采样能保证模拟图像在不同的φ和θ引起的视角变换下保持近似。所有模拟倾斜后的图像将由SIFT算法进行匹配比较。

图1为ASIFT算法概述:矩形A、B代表待匹配的图像u和v。ASIFT算法模拟了所有相机视轴坐标方向变化引起的扭曲。平行四边形代表模拟扭曲后的图像, 然后将这些图像分别用SIFT进行后续的匹配计算。

2.2 几何变形参数的获取

根据用户指定的一幅示例图像, 对图像库中的某一幅待检索影像使用ASIFT匹配得到原始影像上的若干对匹配点 (xi, yi) ←→ (xi′, yi′) 。根据最小二乘方法计算得到单应矩阵H, 考虑到可能存在误匹配点, 需要先根据RANSAC算法进行粗差剔除。

单应变换实际上是一个平面上的点Q (x1, y1) 通过单应矩阵H投影成另一个平面上的点Q′ (x1′, y1′) , 用公式表示为:

其中 (x1, x2, x3) 为Q在某一像平面的齐次坐标, (x1′, x2′, x3′) 为其对应点Q′在另一像平面的齐次坐标, 共需4对相应点即可计算单应矩阵H。

2.3 几何纠正

两幅影像上的同名点通过单应矩阵进行变换的关系式为:

得到单应矩阵之后根据上式可计算两幅影像之间的像点坐标转换关系, 由用户在图像上标出感兴趣区域 (这里假定为矩形) 。根据 (2) 式计算矩形内所有像素点 (x, y) 在右侧影像上的坐标 (x′, y′) , 由于 (x′, y′) 一般不为整像素, 故需要对其进行插值计算。

这里采用双线性插值算法。假定 (xi, yi) 为左侧某一点根据 (2) 式计算得到的其在右侧影像上的坐标, (Xi, Yi) , (Xi+1, Yi) , (Xi, Yi+1) , (Xi+1, Yi+1) 为 (xi, yi) 周围的4个整像素,

令dx=xi-Xidy=yi-Yi, 则 (xi, yi) 在右侧影像上对应的像素灰度值为:

于是得到几何纠正之后的检索影像上的匹配模板。

3 模板匹配

由于建立几何关系的过程中可能存在着误差, 这里检索影像上的匹配模板要稍微大于用户指定的感兴趣区域。然后将用户指定的感兴趣区域大小的窗口在该模板内逐像素移动匹配, 取平均相关系数最大的窗口作为匹配结果。

图2中a表示用户在示例图像上指定的感兴趣搜索区域, b中黑色矩形表示对检索影像进行几何变形纠正之后得到的模板, 其大小要稍微大于用户指定的感兴趣区域。如图2所示, 在检索影像上的匹配模板中取与用户指定的感兴趣搜索区域相同大小的窗口并与之进行相关系数匹配, 逐像素计算相关系数, 计算相关系数平均值作为匹配测度。

设有两幅影像窗口g (i, j) 和g′ (i, j) , 其大小为m*n, 表示gi, j窗口中第i行第j列像素的灰度值, 则两窗口中心像素的相关系数为:

计算得到模板所有对应像素之间的相关系数并求平均值, 大于阈值即表示该模板窗口符合检索条件, 据此判断检索影像中是否存在用户想要搜索的内容, 从而完成图像的检索。

4 实验结果分析

4.1 实验数据

本文采用的是一些随机拍摄的照片。首先指定含有天安门的一幅影像, 并人为画出感兴趣搜索区域, 在剩余的100幅图像中进行检索, 搜索出其余含有天安门的影像。

对于某一幅检索影像, 按照上述方法进行ASIFT匹配得到若干对匹配点。按照 (1) 式计算变换矩阵, 然后按照 (2) 式及 (3) 式对检索影像进行几何变形纠正得到匹配模板, 最后进行相关系数匹配得到其匹配测度, 从而判断该影像中是否存在用户想要搜索的内容。

4.2 影像匹配

图4 (1) 及图4 (2) 分别表示了使用ASIFT算法对两幅检索影像在垂直方向和水平方向上的匹配结果。从结果中可以看出对于存在天安门的检索影像, ASIFT算法能够得到一系列的匹配点, 而对于某些没有天安门的影像ASIFT算法无法得到匹配点, 这可以作为图像检索的初步参考。即如果检索影像与用户指定的影像进行ASIFT匹配之后无法得到匹配点或匹配点过少 (少于4对) , 即可判断该影像上没有用户想要搜索的内容, 得到一系列匹配点之后即可计算两幅影像之间的几何变形参数并对检索影像进行纠正。

对于图4中成功匹配的一幅影像, 一共得到36对匹配点, 使用RANSAC算法剔除一部分误匹配点之后得到10对正确匹配点, 如表1所示。

从表中结果可知各匹配点的误差在10个像素以内, 根据得到的单应矩阵及 (2) 式计算用户感兴趣搜索区域在目标影像中的位置, 并根据 (3) 式进行重采样得到匹配模板。按图2所示在该模板内逐像素移动计算窗口平均相关系数, 根据最大相关系数判断检索影像内是否存在用户想要搜索的内容。表2列出了所有检索影像经过ASIFT-模板匹配之后得到的相关系数统计, 其中相关系数为0表示ASIFT算法未得到足够的匹配点对, 无法进行几何纠正及模板匹配。

4.3 检索结果

根据上述结果对相关系数设置一定阈值即可进行影像筛选, 一般设置阈值为0.7~1.0。考虑到随意拍摄的影像之间变形、光照等差异很大, 本文取0.7。表3列出了本文方法和基于颜色直方图的检索方法的比较, 从表中结果可知, 本文方法要优于颜色直方图检索方法。

5 结论

本文提出了一种基于几何纠正及模板匹配的图像检索方法, 首先使用ASIFT算法得到2幅图像之间的匹配点并建立几何纠正关系。相比于SIFT匹配算法, ASIFT匹配算法能得到更多的匹配点, 然后使用RANSAC算法提出一部分误匹配点, 从而有效保证了几何变形参数的可靠性。纠正之后的模板匹配用于判定2幅图像目标之间的相似程度, 能很好地解决一些变形较大的影像上目标的识别问题。实验结果表明, 使用该方法进行图像检索的准确率非常高, 但在速度和算法适用性方面还有待进一步的提高。

参考文献

[1]石军, 常义林.图像检索技术综述[J].西安电子科技大学学报 (自然科学版) 2003, 30 (4) , 486-491.

[2]李向阳, 庄越挺, 潘云鹤.基于内容的图像检索技术与系统[J].计算机研究与发展2001, 38 (3) , 344-354.

[3]Tamura H S, Yamawaki T.Textural features corresponding to visual perception[J].IEEE Transactions on Systems, Man, and Cybernetics, 1978, SMC-8 (6) :460—473.

[4]Haralick R M, Shanmugam K, Dinstein I.Textural features for image classification[J].IEEE.Transactions on Systems, Man, and Cybernetics, 1973, SMC-3 (6) :610—621

[5]朱正礼, 赵春霞, 侯迎坤等.基于多特征的旋转不变纹理图像检索[J].南京理工大学学报 (自然科学版) 2012, 36 (3) :375-380.

[6]李向阳.基于内容的图像数据库检索技术极其模型的研究[D].杭州:浙江大学, 1999.

[7]杨舒, 王玉德.基于Contourlet变换和Hu不变矩的图像检索算法[J].红外与激光工程2013 (1) :306-310.

[8]蔡国榕, 李绍滋, 陈水利, 等.基于模糊控制的ASIFT图像特征优化算法[J].模糊系统与数学, 2012, 26 (5) :147-153

[9]李校林, 刘欣.基于ASIFT的图像快速匹配算法[J].电视技术, 2014, 38 (13) :47-53.

[10]殷瑞静, 陈水利.基于ASIFT的低空遥感影像拼接技术[J].集美大学学报 (自然科学版) , 2012, 17 (2) :153-160.

不同比例尺面目标数据匹配方法 第9篇

多尺度空间数据匹配是空间数据更新领域的关键技术, 也是空间数据融合、变化检测、级联更新的重要基础。与相同比例尺空间数据匹配相比, 由于不同比例尺空间数据匹配之间存在制图差异、目标变化、数据种类多样性、复杂匹配情况 (一对一或多对一) 等问题, 使得多尺度空间数据匹配变得尤为复杂, 准确识别各种匹配模式成为其中的难点。提高不同比例尺面目标数据匹配的准确度, 成为目前亟待解决的问题。

1 面要素匹配问题研究概述

针对面要素匹配问题, 国外学者进行了相应的研究。Kim, Yu和Heo通过语义、距离等指标确定待匹配要素的上下文信息, 并根据上下文信息相似程度完成要素匹配[1];Fan通过面积重叠度和正切函数形状特征两种指标进行开放街道地图 (Open Street Map, OSM) 建筑物数据质量评价, 但使用这种方法之前需要设定阈值;Zhang, Ai和Stoter研究了基于模式分类的方法, 采用CART算法等分类器对面状数据进行分类, 并改进了计算形状相似度的WSW方法, 将面状数据匹配问题转化为分类问题, 但使用这种方法之前需要对部分数据进行人工判定以供机器学习[2]。

国内学者也对这一问题进行了大量的研究。童小华、邓愫愫、史文中研究了基于概率的匹配算法, 该算法最早由Beeri提出[3];郝燕玲、唐文静、赵玉新将矢量数据转换为栅格数据进行匹配, 求出面目标的质心并描述其形状, 通过面积、形状、位置等指标加权计算多边形总相似度[4], 该方法的不足之处在于矢量数据转换为栅格数据的计算方法较为复杂, 并且存在权重需要设定的问题;刘森采通过遗传算法优化面要素匹配指标的选取过程, 使选出的指标能够更好地表达要素之间的相似性, 并引用聚类方法优化面要素之间的匹配。由于这些方法不能顾及邻域信息, 因此对于较大偏移和多匹配等复杂匹配情况既不能较好地识别, 也不能获得全局最优的匹配结果。

2 基于目标或组合的松弛迭代匹配方法

松弛迭代匹配方法包含面目标组合、概率矩阵初始化、松弛迭代和匹配选取等基本步骤。首先利用缓冲区分析检测可能的候选匹配目标, 并对候选匹配目标进行排列组合, 计算候选匹配目标或组合的几何相似性, 得到初始概率匹配矩阵P0;然后根据候选匹配目标或组合的上下文信息, 计算待匹配目标或组合的总体支持系数, 对概率匹配矩阵进行迭代更新;最后根据收敛的概率匹配矩阵P, 以小比例尺面目标为基础, 选取大比例尺面目标中的最佳匹配组合, 并进行相应冲突处理, 得到最终匹配目标或组合。

2.1 面目标组合及概率矩阵初始化

可以采用位置相似性指标dis (i, j) , 面积相似性指标size (i, j) , 形状相似性指标shp (i, j) 3种指标衡量几何相似性。对候选多边形i与j分别作最小面积外接矩形 (Minimum Bounding Area Rectangle, MBAR) , 其长边与短边之比可以作为形状衡量指标。几何相似性方程组为

其中:d (i, j) 为i与j质心之间的距离, 其值越大则dis (i, j) 越小;dτ 为距离阈值, 其取值范围不大于缓冲区半径;area (i) 为i的面积;area (j) 为j的面积;elg (i) 为i的形状衡量指标, 其值等于i的MBAR长边length (i) 与短边width (i) 的比值;elg (j) 为j的形状衡量指标, 其值等于j的MBAR长边length (j) 与短边width (j) 的比值。

在初始概率匹配矩阵P0中, i与组合j的匹配概率为

当发现一定数量组合的相似度明显减弱时, 停止继续组合, 筛选出其中相似度较大者作为候选匹配实体集CSi。由于在匹配过程中可能存在空匹配的情况, 因此需要在此基础上计算每个较小比例尺面目标发生空匹配的概率。空匹配的概率定义为与所有候选要素都不匹配的概率乘积, 其计算公式为

然后将相似性归一化, 结果应满足如下归一化条件:对每一个较小比例尺面要素, 包括空匹配在内的所有候选匹配实体的匹配概率之和为1, 即

最终得到初始概率匹配矩阵P0[5,6]。

2.2 概率匹配矩阵松弛迭代

由于一个实体的匹配往往受周围其他实体匹配程度的影响, 因此需要考虑上下文信息, 使候选匹配实体的匹配概率趋于全局最优。松弛迭代最大的优点在于根据邻域内对象的相对关系和匹配程度启发式地更新初始匹配概率。对于集合T中的面目标, 采用Delaunay三角网确定邻域内面目标对象, 其中包含合并的对象;对于集合S中的面目标, 采用质心距离d (d<dτ) 确定其邻域[7,8]。

2.2.1 相对几何关系

相对几何关系用来确定邻域内的上下文信息。h为i的邻域内对象, 集合S内待匹配的面目标为j, k为j缓冲区dτ 内的对象。

设两组邻域内候选匹配对之间距离差异的一致情况为rel1, 距离偏移方向的一致情况为rel2, 其权重wih为i和h的距离与i和所有邻域距离最大值的比值, 相对位置的计算公式为

相对面积可以由面积相似性指标求得, 其计算公式为

相对形状可以由形状相似性指标求得, 其计算公式为

兼容系数C用邻域内候选匹配对之间的相对空间关系来衡量这些对象之间的兼容程度, 其计算公式为

2.2.2 支持度

根据上下文信息, 对i和j所有邻域内的h' 和k' 进行计算, 得到邻域内面目标对i和j匹配的支持度, 据此可以更新概率匹配矩阵P中i和j的匹配概率。支持度越大, 说明i和j邻域内的上下文信息更加一致, 具有更大的匹配概率。支持度的计算公式为

2.2.3 更新概率匹配矩阵

根据Parent和Zucker提出的概率松弛迭代方法更新概率矩阵, 用第r次循环的概率匹配矩阵和支持度进行更新, 得到r+1 次循环的概率匹配矩阵, 直到概率匹配矩阵中最大变化量小于给定阈值ε 时停止更新。最终概率匹配矩阵的计算公式为

2.3 最终匹配目标选取

在最终匹配目标选取过程中, 需要解决匹配选择和冲突处理等问题。根据式 (10) 得到的最终概率匹配矩阵, 对集合T中的每个面目标, 与其匹配概率最大者组成一个匹配对并存入队列Q1。检查队列Q1, 当队列中重复出现S集合中的面目标时, 将两组多边形的几何重心重合以计算两组匹配对合并后的无偏移几何相似度, 若大于合并前各匹配对的无偏移几何相似度, 则将两者合并, 判定为多对多匹配, 并将合并后的匹配对存入最终的匹配结果队列Q中;若不大于合并前各匹配对的无偏移几何相似度, 则保留概率较高的匹配对, 对于概率较高的匹配对, 则取集合T中面目标概率次之的匹配对作为匹配结果, 存入队列Q中[9,10]。

3 面目标匹配实验结果及其分析

3.1 面目标匹配实验及匹配方法比较

以山东省某地区1∶10 000 和1∶50 000 的居民地数据作为试验数据, 分别使用传统相似性加权匹配方法和笔者介绍的不同比例尺面目标数据匹配方法进行面目标匹配, 见图1。其中:色块为1∶10 000居民地的多边形数据, 线框为1∶50 000 居民地的多边形数据, 线段为相互匹配实体的连接关系。

由于合并了可能匹配的要素, 因此可以较准确地探测出多匹配的情况。又由于参考了面目标之间的邻域信息, 因此可以识别存在位置偏移的面目标。取图1-b中局部的组合示例进行讨论, 该组合示例见图2。对该组合示例中的线框和色块进行编号, 两个线框的编号分别为1 号和2 号, 3 个色块的编号分别为11 号、12 号和13 号。采用概率松弛迭代方法, 分别对1 号和2 号进行候选匹配, 见表1。对于1 号而言, 11 号与12 号组合的匹配概率最高;对于2 号而言, 11 号与13 号组合的匹配概率最高。最终确定1 号、2 号组合与11 号、12 号、13 号组合之间的相似度较高, 因此将其合并, 确定为多对多匹配情况。可见, 不同比例尺面目标数据匹配方法可以顾及多对多匹配情况。

3.2 实验结果评价

目前空间数据匹配研究中较为公认的评价方法是准确率和召回率。准确率 (Precision) 是指检索到的真正确同名实体数占总检索认为正确同名实体数的百分比, 计算公式为

其中:A为匹配方法检索到真正确的同名实体数;B为检索到认为正确然而其实并不是同名实体数。

召回率 (Recall) 是指检索到真正确同名实体数占所有真正确同名实体数的百分比, 计算公式为

其中:C为未被匹配方法检测出来的同名实体数。

通常准确率与召回率呈现互斥现象, 因此取F代表二者的综合情况, 计算公式为

采用准确率P、召回率R以及F对实验结果进行评价, 见表2。从表2 可看出, 使用不同比例尺面目标数据匹配方法得出结果中的准确率和召回率都高于使用传统方法得出的结果。该方法可以较好地完成多尺度面要素匹配。

(%)

4 结论

该方法在考虑局部相似和基于邻域的全局相似基础上, 根据最终的概率匹配矩阵确定匹配结果, 使匹配结果在最大限度上达到了全局一致与局部相似的统一。以较小比例尺数据为基础, 对可能出现一对多匹配的较大比例尺数据进行组合与合并, 计算各种可能性的初始概率, 可以提高多对多匹配情况的准确度, 避免出现漏匹配情况;根据邻域兼容情况, 不断更新匹配概率至收敛, 并根据概率匹配矩阵按相应规则, 确定最终匹配结果, 避免了统一阈值确定匹配结果造成的错匹配情况。

实验结果表明, 该方法对一对零、一对多、多对多匹配有较好准确度, 能够识别位置偏差较大、存在一定尺度差异的面目标数据, 为面目标数据变化探测、级联更新打下了坚实的基础。当比例尺跨度较大时, 会出现较大规模的制图综合情况, 这将降低组合的效率, 因此笔者将继续优化组合筛选的方法, 使之能够适应更大的比例尺跨度。

参考文献

[1]Kim J, Yu K, Heo J, et al.A new method for matching objects in two different geospatial datasets based on the geographic context[J].Computers and Geosciences, 2010, 36 (9) :1115-1122.

[2]Zhang Xiang, Ai Tinghua, Stoter Jantien, et al.Data matching of building polygons at multiple map scales improved by contextual information and relaxation[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92 (3) :147-163.

[3]童小华, 邓愫愫, 史文中.基于概率的地图实体匹配方法[J].测绘学报, 2007, 36 (2) :210-217.

[4]郝燕玲, 唐文静, 赵玉新, 等.基于空间相似性的面实体匹配算法研究[J].测绘学报, 2008, 37 (4) :501-506.

[5]Rosenfeld A, Hummel R A, Zucker S W.Scene labeling by relaxation operations[J].IEEE Transactions on Systems Man Cybernet, 1976, 6 (6) :420-433.

[6]Lee J H, Won C H.Topology preserving relaxation labeling for nonrigid point matching[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (2) :427-432.

[7]陈军.论数字化地理空间基础框架的建设与应用[J].测绘工程, 2002, 11 (2) :1-6.

[8]赵东保, 盛业华.全局寻优的矢量道路网自动匹配方法研究[J].测绘学报, 2010, 39 (4) :416-421.

[9]张云菲, 杨必胜, 栾雪晨.利用概率松弛法的城市路网自动匹配[J].测绘学报, 2012, 41 (6) :933-939.

匹配方法 第10篇

运动目标跟踪系统的核心是对采样获得的视频图像序列进行分析,检测出目标在每帧的图像位置,从而确定目标运动的轨迹。但是,传感器得到的视频图像是从三维到二维的投影,存在一定的信息丢失。更为重要的是,在目标运动过程中,由于目标自身会在二维平面内发生位移、姿态变化、遮挡、光照变化等,因此几何特征、彩色特征、纹理特征等特征点也会随着跟踪过程发生改变。

基于模板匹配的运动目标跟踪算法,由于使用了目标的全局信息因而能够稳定地跟踪目标,跟踪精度高,可以较好地应对背景复杂变化情况下的目标跟踪问题。但传统的模板匹配算法缺乏一种模板自适应更新机制,无法应对姿态变化、遮挡、光照变化、噪声等干扰因素的影响。这就要求模板更新要适应目标形态的变化,而且能够检测到目标被遮挡以及当遮挡发生时,制定合适的模板修正策略继续跟踪,并且在离开遮挡时重新获取目标。

鉴于以上问题,本文提出了一种基于新的动态模板匹配与卡尔曼滤波相结合的目标跟踪方法。模板更新方法为将提取SIFT(尺度变化特征不变)特征点,根据特征点流失机制判定匹配模板是否需要更新目标模板。而卡尔曼滤波算法根据新测量的数据和前一时刻的参数估计值,借助于系统本身的状态转移方程,即可算出新的参数估计值。对当前已被提取的运动目标做下一步的运动预测,可以缩小目标搜索匹配范围,从而加速目标匹配的速度。在目标姿态变化、遮挡等过程中,窗口会随着之而自适应目标的变化,使得长时间、长距离、动态跟踪成为可能。

1 基于动态模板匹配和卡尔曼滤波相融合的目标检测

卡尔曼滤波是一种高斯噪声下的最优估计,采用状态转移模型描述动态系统,它的输出只依赖于当前的输入和前一时刻的输出。滤波过程是以不断地“预测-修正”的递推方式进行计算。先进行预测值计算,再根据观测值得到的新信息和卡尔曼增益,对预测值进行修正。

1)首先进行目标模板初始化,获得目标模板。通过图像相邻两帧的差,获得差分图像。

式中:Ii和Ii-1分别代表当前帧和前一帧图像,|Ii-Ii-1|为两帧求帧间差分;T为选取二值化阈值;Di(x,y)为差分的二值图像在坐标(x,y)位置处的灰度值。然后用矩形框和质心来确定运动目标区域。在目标区域构成的矩形框内提取目标特征点。

2)利用卡尔曼滤波预测目标位置。再根据卡尔曼预测结果,确定当前目标帧中目标搜索区域,并修正卡尔曼滤波器。

其中:A为状态转移矩阵,C为量测矩阵,R为量测噪声协方差矩阵,Q(n)是系统噪声协方差矩阵,为最佳预测值,为观测值,H(n)=AK(n)。

设定为Xk的先验状态估计,为Xk的后验状态估计,A、B、H分别为转移矩阵、控制矩阵和观测矩阵。Uk是系统的外部输入,Zk是观测值。R是量测噪声协方差矩阵,Q是系统噪音协方差矩阵,P为先验误差协方差。则算法的迭代过程:Kalman滤波完成预测并计算先验误差协方差,,以预测结果为中心,以据观测模型,获取观测值Zk。Kalman滤波进行测量更新,分别计算修正矩阵、更新后验状态估计和更新误差协方差:。

3)根据目标检测方法,在搜索区域中找到与目标模型最匹配的候选目标位置。根据候远目标与目标的相似度判断是否需要模板更新,使用特定的模板更新解决目标姿态变化和遮挡对跟踪的影响。模板匹配成功后判断跟踪是否完成。如果完成则退出程序,否则跳到下一帧,直到跟踪结束为止。

2 模板更新策略

特征点匹配采用特征点的欧氏距离来度量两幅图像中关键点的相似性。即当两幅图像的SIFT特征向量生成后,根据候选目标点hi和目标模板特征点pi的相似程度来度量是否匹配成功。相似程度判定的度量为欧式距离,其公式如下:

即首先取某帧图像中的某个关键点,找出与下一帧图像中欧氏距离最近的两个关键点,在这两个关键点中,如果最近的距离除以次近距离的商小于某个比例阈值,则接受这个匹配点。将接受的匹配点数目与未接受的匹配点数目之差设为特征点的流失量。下面我们就根据特征点流失率确定模板更新策略以解决目标遮挡和姿态变化受到的影响。

当目标姿态发生变化后,目标特征点的数量也随之发生变化,因此匹配点的数目也会随之减少。由于两帧之间的变化很小,噪声等错配的因素的影响也很小,目标区域特征点数目只有极少数特征点会出现流失。而目标遮挡与目标姿态变化相比,在局部区域内,目标姿态变化特征点流失量远小于目标遮挡特征点流失量。因此,可以根据流失量所占比例来判断是否发生遮挡,以及发生了多大范围的遮挡。

如图2,将目标区域划分为9块区域,目标区域内以质心坐标为中心设定一个区域,区域像素点设为局内像素点,其他设为局外像素点。F1=(N1-N1′)/N1,F2=(N2-N2′)/N2,其中F1为局外特征点流失率,F1为局内特征点流失率,N1,N 1′为相邻两帧局外特征点,N2,N 2′为相邻两帧局内特征点。

对于目标姿态变化,目标区域内整体流失率即两帧特征点流失率达到设定的比例阈值则放弃模板更新,并且继续对下一帧进行模板预测。如果一直匹配失败,当连续预测的帧数大于N帧,则判定目标丢失。对于目标遮挡,首先按区域1、2、3、4顺序提取各个区域SIFT特征点并保存下来,若1、2、3、4仅为单个区域特征点流失量大于阈值,则继续监测上一帧和后几帧区域内的匹配点并保存下来;如在设定的判断帧数内出现9区域流失量大于阈值,则认定其为遮挡,方向为此单区域角方向。若1、2、3、4为相邻的两区域发生特征点流失量过大,如1、2区域,则将1、5、2区域连通,判定连通区域的整体流失量。在设定的帧数内出现9区域流失量大于阈值,则认定其为遮挡。方向为上方。

3 实验结果与数据分析

实验采用一组连续的AVI格式的视频(灰度图像大小为640 pixels×480 pixels),视频帧频为30 frame/s,背景为实验室某工作区,被跟踪目标为一辆小车。使用VC 2008为仿真工具,PC平台选择AMD Athlon 64X2 3600+双核CPU,内存2G。实验分为三组,一组采用目标帧间差分法获得运动目标的二值图像,一组为姿态变化的目标跟踪,另外一组为遮挡的目标跟踪。目标跟踪框颜色为白色。

图3分别代表第12帧、第14帧、第16帧与前一帧的帧间差分结果。图4分别代表第11帧、第13帧、第15帧和第16帧的跟踪过程。目标沿着偏离CCD的方向运动,小车与CCD夹角为30°。改变小车与CCD夹角,CCD采集到的目标区域相对CCD出现了变形问题。经过多次实验数据测得,目标随着与CCD的偏离,流失率不断增大,改变流失率阈值可提高跟踪精度,但也会降低目标跟踪的成功率。因此可设置流失率阈值来确定目标模板的更新。

图5分别代表从第12帧、第14帧、第15帧、第16帧、第17帧。开始跟踪目标时,没有遮挡,属于正常跟踪状态。这时使用卡尔曼滤波器更新模板,用模板匹配的方法寻找最佳匹配位置,跟踪目标。当通过区域匹配3、4区域流失率超过阈值(区域流失率为75%),则认为开始发生遮挡,但此时还处于局部遮挡状态,依然可以使用部分遮挡鲁棒的模板匹配方法跟踪目标,只是不再进行模板更新;随着遮挡逐渐加强,流失率的值也是越来越大。当流失率大于最大流失阈值(设为90%),即认为发生了大面积甚至是全部遮挡,这时已经无法再进行模板匹配,采用轨迹外推的方法估计目标可能出现的位置,并且在该位置时搜索目标;当遮挡逐渐减弱,流失率逐渐变小,低于最小流失阈值(设为20%)时,认为目标再次出现了,此时又转向局部遮挡的跟踪情况,最后遮挡完全消失,恢复模板更新,进入正常跟踪状态。从实验结果可以看出,目标被部分遮挡后搜索框逐渐变小,目标在被完全遮挡后搜索窗扩大为全图像,当目标在另一侧再次出现时,搜索窗及时调整,重新建立跟踪。

最后,以视频左下角为中心建立坐标系,系统控制生成目标质心运动轨迹如下(以像素为单位),在VC多视图框架下,单独生成轨迹显示子窗口,图像中“×”点为质心坐标点,将质心点拟合成轨迹曲线,在变形过程和遮挡过程中分别记录运动轨迹,如图6所示。目标质心运动过程结果显示,本算法在上述两种情况下能够准备、实时的进行目标跟踪。

4 结论

本文提出的基于动态模板匹配和卡尔曼滤波的目标跟踪算法能满足系统的鲁棒性、精确性与快速性的要求。利用帧间差分锁定动态目标区域,SIFT算法提取稳定的特征点。根据流失机制设定阈值时,阈值的选取可随着实际应用场景作适当的调整;而且对于不同大小的目标模板,也需要不同的阈值。当目标姿态改变以及背景变化,遮挡甚至图像由于CCD的运动带来的变形,都能够自适应目标的动态更新,有效的防止了目标跟踪丢失现象。由于动态更新中不断进行特征点的提取,算法耗费了大量的时间,未来的工作就是优化算法,进一步提升跟踪的实时性。

参考文献

[1]柳宗浦,赵曙光,潘翔鹤,等.一种融合Kalman预测和Mean-shift搜索的视频运动目标跟踪新方法[J].光电子技术,2009,29(1):30-33.LIU Zhong-pu,ZHAO Shu-guang,PAN Xiang-he,et al.A New Method of Motion Object Tracking Based on Kalman Prediction and Mean-shift Search[J].Optoelectronic Technology,2009,29(1):30-33.

[2]虞旦,韦巍,张远辉.一种基于卡尔曼预测的动态目标跟踪算法研究[J].光电工程,2009,36(1):52-56.YU Dan,WEI Wei,ZHANG Yuan-hui.A Research of Dynamic Object Tracking Algorithm Based on Kalman Prediction[J].Opto-Electronic Engineering,2009,36(1):52-56.

[3]陈涛涛,田裕鹏.一种非刚体目标的实时检测与跟踪算法[J].电子科技大学学报,2007,36(1):83-85.CHEN Tao-tao,TIAN Yu-peng.A Real-time Detection and Tracking Algorithm in view of Non-rigid Objects[J].Journal of UEST of China,2007,36(1):83-85.

[4]裴聪,戴立玲,卢章平.基于SIFT的简化算法下图像快速匹配[J].制造业自动化,2010,32(1):133-135.PEI Chong,DAI Li-ling,LU Zhang-ping.Fast Image Matching Based on the Simplified Algorithm of SIFT[J].Manufacturing Automation,2010,32(1):133-135.

[5]WANG Na,WANG Guo-yu.Shape Descriptor with Morphology Method for Color-based Tracking[J].International Journal of Automation and Computing(S1476-8186),2007,4(1):90-108.

[6]Dorin Comaniciu,Peter Meer.Mean Shift:A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828),2002,24(5):600-619.

[7]Wang C C,Thorpe C.Simultaneous Localization and Mapping with Detection and Tracking of Moving Objects[C]//IEEE Inter-national Conference on Robotics and Automation,Piscataway,NJ,USA:IEEE,May11-15,2002:2918-2924.

利用“匹配颜色” 第11篇

这是一张拍摄于中午时分的照片(如图1)。

这是另一张，用做润色的素材照片(如图2)。

在Photoshop中打开这两张照片(如图3)。

选择拍摄的中午时分的照片，点击“图像”菜单，在“调整”子菜单中选择“匹配颜色”命令(如图4)。

在“匹配颜色”命令对话框里的“图像统计”中“源”项目的下拉菜单中选择“颜色.jpg”文件(“颜色”为图2的文件名)，这时图被蒙上了一层黄颜色(如图5)。

接下来，调整图像的颜色。在“匹配颜色”命令对话框的“图像选项”项目下，分别有“透明度”、“颜色强度”和“渐隐”三个滑块。首先调整“渐隐”滑块，减淡图像中的黄颜色(如图6)。

将“明亮度”的滑块向右侧移动，使照片整体调子变亮(如图7)。

向右移动“颜色强度”滑块，加强一些颜色的色彩饱和(如图8)。

完成后，点击确定按钮。通过“匹配颜色”命令，将照片的颜色进行了润饰，加强了黄昏光的效果(如图9)。

接下来，点击“图像”菜单，“调整”子菜单中的曲线命令(快捷键“Ctrl+M”)，将曲线调整成“S”型，增加照片整体的对比和层次(如图10)。

在“曲线”命令对话框中，点击“通道”下拉菜单，选择蓝色通道。将蓝色曲线稍微提高一些，加强照片中的蓝色，让黄昏的效果更加真实(如图11)。

点击确定按钮，这样就用简单的“颜色匹配”命令，将一张中午拍摄的照片变成了黄昏时候的照片。

匹配方法 第12篇

大机组、超高压、远距离交直流混合输电使得当今电网的结构和运行方式日趋复杂多变, 新能源发电也改变了传统电源与电网的交互作用机理, 电力系统稳定运行难度越来越大。

基于三道防线的防御结构为电网的稳定运行提供了有效保障[1]。预防控制、紧急控制及其两者的协调, 可以分阶段有针对性地提高电网稳定裕度, 防止事故扩大[2,3,4]。

暂态稳定量化分析为策略寻优提供了明确的目标或约束函数, 将最优控制策略转化为暂态稳定性约束下的最优潮流 (optimal power flow, OPF) 问题[5,6,7,8,9], 并使预防控制与紧急控制的协调优化成为可能。协调优化从预防控制的靶点开始, 分别在连续的预防控制策略空间和离散的紧急控制策略空间寻优, 进而交互迭代趋向整体最优解[10]。但策略空间的高维度及控制策略的负效应使得预决策难以快速达到全局最优解。文献[11]将预想事故分属不同失稳模式子集, 进行局部优化求解[12], 此后遵循最小风险原则建立目标函数, 针对上述解集进行全局协调, 实现不同失稳模式的协调控制。

稳定裕度的非凸性使目标函数具有局部极值特性, 事故发生的不确定性又可能使目标函数取值与实际相差较大。预防控制针对潜在的可能故障实现事前控制, 其收益与是否发生故障、事故类型直接相关, 因而选择最佳控制策略具备博弈的本质特征。

本文以控制策略集和预想事故集作为博弈策略集, 以稳定裕度变化作为收益, 建立了一种混合策略博弈模型来匹配最佳预防控制措施。并进一步在博弈匹配过程中引入外界环境变化对电网运行的影响因子、控制代价及协调控制因子, 使得在博弈过程中能够预先考虑紧急控制效应。将博弈问题求解转化为对偶线性规划问题, 给出了Nash均衡的求解方法, 选择均衡解中期望收益最大的控制策略作为预防控制策略。

1 博弈论及应用

博弈论解决的是多个决策主体在条件制约的竞争中如何选择优势策略的问题。基本博弈模型包括有限的参与人集合Γ={1, 2, …, i, …, N}, 参与人i的策略空间Si及收益函数ui。当参与人从策略空间选定自己的策略后, 所有策略构成策略组合s, 显然参与人的收益ui是s的函数, 记作ui (s) 。

一般地, 设si′和si″分别代表参与人i的两种策略, 如果对其他参与人的任何策略组合, 参与人i选择si′的收益都大于选择si″的收益, 则称策略si′相对于si″是严格优势。在理性的博弈中, 全部参与人最终选择的策略应该都是严格优势策略, 此时称作Nash均衡[13]。

Nash均衡并不代表着博弈人的收益达到了整体最大值, 而是意味着每个参与人的策略是对其他参与人策略的最优反应。

电力市场参与人总是希望通过一定的策略获得最佳经济利益, 因而博弈论在售电决策、购电决策、区域间功率交换、转运和输电成本分配、市场行为分析、发电机组检修策略中得到了较好应用[14,15,16,17,18]。

在电力系统防御策略、电网故障处理等方面的研究中, 基于博弈论的分析方法也越来越受到重视。文献[19]构造了一种两人零和博弈模型制定预算费用受限情况下的防御策略。文献[20]分别采用静态博弈和动态博弈确定使防御方最严重损失最小的策略集。文献[21]针对不完全信息条件下的电网突发灾难事件应急管理, 建立了电网事故与电网管理者之间的博弈模型, 通过求解精炼贝叶斯均衡解制订应急预案。

文献[22]将博弈思想应用于连锁故障的预防, 提出连锁故障的博弈防御策略。文献[23]将暂态稳定协调控制问题处理为“外层协调”和“内层优化”两个子问题, 在外层协调过程中建立了基于“单人博弈”思想的协调模型, 最终实现协调控制。

2 策略匹配的博弈模型

将可能发生的预想事故假设为一个“虚拟人”的策略, 其目的是降低系统安全稳定性。而系统调度人员选择最有利于电力系统稳定运行的控制策略。建立基于零和博弈的策略匹配模型, 表述为{Γ, S, u}。其中Γ为参与人, S为策略集, u为策略的收益函数。

根据预防控制的性质做以下约定。

1) 调度方完全了解双方策略集和相应收益。

2) 两参与人在决策时不知对方将采取的策略, 即事故的不确定性和调度对不确定事故的决策未知性。

3) 调度方目标是增强系统抵御事故能力, “虚拟人”目标是降低电网的稳定性。

2.1 参与人

两参与人为系统调度方和触发电力系统故障的“虚拟人”。

2.2 策略集

在所有电网在线元件故障组成的预想故障集中, 把剔除大部分非严重故障后的安全预警预想故障集 (safe-evaluating contingency set, SECS) [24,25]作为“虚拟人”的策略集A。记A={Ai:i∈[1, n]}, 约定A1表示不发生任何元件故障。

A中的预防事故将使系统呈现不同的失稳模式, 根据临界群的不同把预想事故划分到相应的失稳模式集U={Uj:j∈[1, m-1]}中, 调度方针对m-1个失稳模式的策略集为D={Dj:j∈[1, m]}, 其中D1表示不采取控制措施。

2.3 收益函数

定义参与人的收益为系统稳定裕度的得失, 策略实施后稳定裕度的变化量作为调度方的收益, 其相反数作为“虚拟人”的收益。组合A和D中的策略, 分别计算对应的稳定裕度变化量Δηij, 得到收益矩阵G。

2.4 博弈求解

考虑事故的不确定性和调度对不确定事故的决策未知性, 采用混合策略博弈选择预防控制措施。设A的概率分布p={pi:i∈[1, n]}, 其中p1为不发生事故的概率, 因而有∑pi=1。设调度方策略的概率分布q={qj:j∈[1, m]}, 其中q1是不控制的概率, 因而有∑qj=1。

Von Neumann极大极小值定理:对于两人零和博弈, 如果存在参与人1的某个混合策略p*= (p1*, p2*, …, pn*) 和参与人2的某个混合策略q*= (q1*, q2*, …, qm*) 使式 (2) 成立, 则策略组合 (p*, q*) 是Nash均衡解。

设Nash均衡的期望收益v>0, 其性质决定了无论“虚拟人”采取何种策略, 调度方的收益都不小于v。

将不等式两边同除以v得式 (4) 。其中, λi=pi*/v。

参与人1总是希望v的值越大越好, 因而将问题转化为求取λi使的值最小。博弈均衡解 (p*, q*) 等价于如下对偶线性规划问题的解。其中,

求解式 (5) 和式 (6) 两式可得两参与人混合策略博弈的均衡解和收益。

电网事故的发生具有很强的随机性, 调度人员只能采取预防性应对措施而无法控制具体事故的发生, 因此并不需要关注Nash均衡中事故方的p*取值, 可以根据收益矩阵G和q*计算策略的期望收益, 从Nash均衡解给出的混合策略中选择期望收益最大的策略作为预防控制措施。

2.5 预防控制的博弈流程

控制策略的博弈搜索过程如下。

1) 根据在线元件信息构建“虚拟人”策略集A。

2) 对A中各故障进行稳定性量化分析, 得到失稳模式集U和策略集D。

3) 组合A和D中的策略, 并计算采取调度措施前后的稳定裕度差值Δη, 确定双方收益值。

4) 按式 (5) —式 (8) 求Nash均衡解。

5) 计算Nash均衡解中各策略的期望收益, 选择数值最大的作为预防控制措施。

3 与紧急控制协调的博弈

3.1 预防控制代价

控制策略的出力调整量越大, 控制代价越大。即使稳定裕度提高较大, 但并不一定比出力调整量小、稳定裕度提高较少的策略更优。

设调度策略Dj的出力调整量之和如式 (9) 所示。其中ΔPjg为机组g出力调整值非零的调整量。

出力调整量增大, 策略所获得收益应相应减小。设ΔPmin为ΔPj中最小值, 如式 (10) 定义调控代价影响因子kpj。此时, 出力调整最小的策略对应的kp为基准1。当预防控制收益u1 (i, j) ≥0时, ΔPj越大, kpj越小, 即调度收益减少;当u1 (i, j) <0时, ΔPj越大, kpj越大, 则调度收益也减小。

计及调控代价后, 参与人预防控制收益如下式定义。

3.2 外界环境因素影响

在发生严重自然灾害时, 电网自身的运行工况和元件状态等信息并不能完全反映电网面临的事故风险。突发的地质灾害、影响区域大的台风等环境因素都会导致元件故障概率发生明显变化, 尤其会使接近检修周期元件的故障率大大提高。根据灾害预报信息确定电网元件的灾害影响因子, 修正A的收益, 在“虚拟人”博弈过程中计入外界环境的影响。

外界环境因素造成的设备故障率φ (x) 采用指数函数模型计算[23]。

式中:x为灾害影响因子, x∈[0, 1];参数a, b, c可通过统计分析历史灾害数据或者对不同灾害级别进行模拟分析得到。

如果“虚拟人”策略Ai对应的事故元件位于灾害范围内, 收益函数修正为式 (13) 。

3.3 紧急控制收益

在预防控制与紧急控制的协调博弈中, “虚拟人”策略集不变, 调度方策略调整为预防控制措施及后续紧急控制措施的组合, 在控制策略收益函数中应计入紧急控制措施的收益。

紧急控制的收益也描述为稳定裕度的提升量, 考虑切机代价并计入紧急控制时多条措施的实施概率。由于紧急控制针对特定事故、特定失稳模式, 因此, 调度方收益一定为正值。

在预防控制的调度策略Dj实施后, 如果Ai故障下的系统依然处于失稳状态, 以临界机群中切机灵敏度最高的机组作为紧急控制切机机组, 并以最小的切机离散量使系统稳定裕度提升到高于某个设置值ε。紧急控制前后系统稳定裕度差值Δη2即是紧急控制所得, 设为u2 (i, j) , 计入调控代价影响因子kpij=ΔPmin/ΔPij, 其中ΔPij为事故Ai经预防控制Dj调整后的紧急控制切机量, ΔPmin为Dj调整后全体紧急控制策略切机量中的最小值。

紧急控制收益如式 (14) 定义。

总收益u (i, j) 为预防控制收益与紧急控制收益的加权和, 加权因子k∈[0, 1]。

3.4 协调控制的博弈流程

协调紧急控制的预防控制博弈过程按照以下步骤进行。

1) 根据在线元件信息构建“虚拟人”策略集A。

2) 对A中各故障进行稳定性量化分析, 得到失稳模式集U和策略集D。

3) 组合A和D中的策略, 并计算调度措施前后的稳定裕度差值Δη。

4) 按式 (10) 和式 (11) 计算预防控制的收益, 按式 (14) 计算紧急控制的收益。

5) 按式 (13) 修正“虚拟人”策略变化。

6) 按式 (5) —式 (8) 求Nash均衡解。

7) 计算Nash均衡解中各策略的期望收益, 选择数值最大的作为预防控制措施。

4 分析算例

以新英格兰10机39节点系统为例, 安全预警预想事故集由68个三相短路故障组成, 取预防控制与紧急控制效益的加权因子k=0.5。计算采用电力系统稳定量化分析软件FASTEST, 并经BPA校验。新英格兰数据及具体控制策略因篇幅限制不再赘述。

针对单个失稳模式制定预防控制策略集, 并假设各发电机均以出力10%为离散切机量, 对于预防控制后失稳故障建立紧急控制策略表。最终形成博弈双方收益矩阵。

求解混合策略的Nash均衡解, 得到p2*=0.210, p3*=0.325, p*13=0.016, p*14=0.088, p*16=0.325, p*17=0.036, 余下策略概率均为0。

均衡解中概率非零的纯策略收益之和如下:∑u (2, j) =316.89%, ∑u (3, j) =352.488%, ∑u (13, j) =164.70%, ∑u (14, j) =409.02%, ∑u (16, j) =389.09%, ∑u (17, j) =273.51%。策略D16的期望收益最大, 可作为当前运行方式下的预防控制策略。

策略D16的预防控制效果如表1所示。后续可能的紧急控制出力切除量与切机效果见表2。

5 结语

本文提出了一种基于混合策略博弈的预防控制策略匹配方法, 能够面向预防控制与紧急控制整体协调来匹配预防控制策略。由于博弈过程不在函数空间求解最优参数, 而是选择已有策略集中最佳的控制策略, 因而博弈不涉及大量计算, 也不存在寻优无果的情形, 更适合在线应用。博弈策略集A和D可以在线优化、筛选, 也可以根据离线优化结果增补。如果控制策略集在状态空间分布足够均匀, 博弈结果可以接近最优解。

可以进一步将文中方法所得结果作为预防控制的初始靶点, 再次进行预决策的交替迭代寻优。Nash均衡意味着不管实际是否发生事故、发生哪个预想事故, 调度方选用均衡解策略的所得收益都不会变小, 因而选择Nash均衡解作为寻优的初始靶点可以避免迭代陷入局部最优解, 而更快地收敛到全局最优解。

电网运行结构的变化将逐步改变预想事故集A和策略集D的组成及其收益, 因而文中的方法实际是连续进行的混合博弈。

文中方法是对控制策略实时匹配的一种方法探讨, 主要着重于方法本身及应用可行性, 可以采用更合适的经济指标定义替代式 (11) 、式 (13) 、式 (14) 中的收益函数, 而不会影响策略博弈的一般过程。