分?jǐn)?shù)階微分?jǐn)?shù)字圖像處理及支持向量機(jī)在人臉識(shí)別中的應(yīng)用研究.pdf

1、數(shù)字圖像處理方法的研究源于兩個(gè)主要應(yīng)用領(lǐng)域：其一是為了便于人們分析而對(duì)圖像信息進(jìn)行改進(jìn)；其二是使機(jī)器自動(dòng)理解識(shí)別而對(duì)圖像數(shù)據(jù)進(jìn)行存儲(chǔ)、傳輸及顯示。將分?jǐn)?shù)階微分用于圖像處理，在國(guó)內(nèi)外都是一個(gè)研究很少的新興領(lǐng)域。相較于傳統(tǒng)的基于整數(shù)階微分的圖像處理方法，分?jǐn)?shù)階微分用于圖像處理具有明顯的優(yōu)勢(shì)。人臉識(shí)別是模式識(shí)別的一個(gè)重要的應(yīng)用研究領(lǐng)域，近年來(lái)將支持向量機(jī)用于人臉識(shí)別成為一個(gè)熱點(diǎn)研究問題。本論文將分?jǐn)?shù)階微分用于圖像處理和將支持向量機(jī)用于人臉識(shí)別

2、，其主要工作和研究成果如下：
　　首先，較為系統(tǒng)地分析和總結(jié)了數(shù)字圖像處理領(lǐng)域的基本理論，包括數(shù)字圖像處理的概念、傳統(tǒng)的數(shù)字圖像處理技術(shù)的研究現(xiàn)狀和研究意義以及當(dāng)前分?jǐn)?shù)階微分圖像處理的研究現(xiàn)狀等內(nèi)容；研究并論述了分?jǐn)?shù)階微積分理論，包括分?jǐn)?shù)階微積分理論的發(fā)展歷程、三種典型的分?jǐn)?shù)階微積分定義以及分?jǐn)?shù)階微積分中的特殊函數(shù)等基本理論。同時(shí)，較為系統(tǒng)地分析和總結(jié)了人臉識(shí)別的基本理論，包括各種人臉識(shí)別技術(shù)、人臉識(shí)別技術(shù)研究的現(xiàn)狀以及支持向量機(jī)

3、在人臉識(shí)別中的研究現(xiàn)狀等內(nèi)容；研究并論述了支持向量機(jī)的基礎(chǔ)理論，包括支持向量機(jī)的研究進(jìn)展、產(chǎn)生的背景理論及其基本理論等基礎(chǔ)理論知識(shí)。
　　第二，提出了一種可以依據(jù)掩模窗口大小、G-L公式、圖像梯度特征和人眼視覺特性等理論的能夠自動(dòng)生成分?jǐn)?shù)階微分階數(shù)的自適應(yīng)數(shù)學(xué)函數(shù)，并依據(jù)設(shè)計(jì)的算子掩模，在無(wú)需人為指定最佳分?jǐn)?shù)階微分階數(shù)的情況下，使分?jǐn)?shù)階微分理論能夠完全自動(dòng)化地處理圖像，節(jié)省了大量人工尋求最佳分?jǐn)?shù)階微分階數(shù)的時(shí)間，可以一定程度上滿足

4、大量動(dòng)態(tài)序列圖像的增強(qiáng)處理要求。采用了信息熵、平均梯度等圖像紋理特征評(píng)價(jià)參數(shù)做定量分析和實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)任意灰度圖像可以得到連續(xù)變化的增強(qiáng)效果，接近于最佳分?jǐn)?shù)階微分增強(qiáng)效果，符合人們的視覺感受，是一種有效的圖像紋理增強(qiáng)方法。
　　第三，針對(duì)目前的邊緣插值算法不能有效改善插值圖像的中低頻紋理細(xì)節(jié)的問題，研究并提出了一種基于分?jǐn)?shù)階微分邊緣檢測(cè)的圖像插值算法。依據(jù)分?jǐn)?shù)階微分理論，設(shè)計(jì)并實(shí)現(xiàn)了可以有效提取中低頻紋理信息的算

5、子掩模。按照檢測(cè)到的邊緣紋理信息，分別對(duì)沿邊緣方向、垂直于邊緣方向和平滑區(qū)域的待插值像素點(diǎn)進(jìn)行線性插值、二次插值和雙線性插值。采用了峰值信噪比(PSNR)和信息熵(IE)等圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)做定量分析和實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，該方法可以得到豐富的圖像紋理信息，提高了峰值信噪比，其結(jié)果符合人們的視覺感受。
　　第四，為了改善人臉識(shí)別系統(tǒng)的識(shí)別精度，研究了基于PCA特征和SVM分類的人臉識(shí)別方法，并分別與采用PCA+NN、SVM的識(shí)別方法在

6、ORL人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)比較。實(shí)驗(yàn)數(shù)據(jù)表明，基于PCA特征和SVM分類的人臉識(shí)別方法在小樣本情況下，其識(shí)別率均優(yōu)于PCA+NN、SVM識(shí)別方法，這表明采用人臉樣本的PCA特征，送入到SVM分類器進(jìn)行分類識(shí)別具有可行性和正確性。
　　第五，針對(duì)人臉圖像的光照和表情問題，提出了基于分?jǐn)?shù)階微分提取二值邊緣圖像，并送入支持向量機(jī)進(jìn)行分類的方法，比較分析了基于二值邊緣圖像與基于灰度圖像的識(shí)別效果，并在ORL和Yale人臉數(shù)據(jù)庫(kù)進(jìn)行了實(shí)驗(yàn)。實(shí)