圖像的特征抽取方法及其應(yīng)用研究.pdf

1、抽取圖像的有效特征是完成基于圖像的目標(biāo)檢測(cè)和識(shí)別任務(wù)的關(guān)鍵。圖像有多種特征，如直觀性特征、像素灰度的統(tǒng)計(jì)特征、變換系數(shù)特征以及代數(shù)特征等，不同的特征雖然都能表示和鑒別圖像，但反映圖像不同的特性，所以不同的特征用途不同，用于檢測(cè)和識(shí)別時(shí)的性能也會(huì)不同，適宜的應(yīng)用背景也不同。因此如何根據(jù)應(yīng)用需要選擇合適高效的特征抽取方法、如何改進(jìn)和提高現(xiàn)有特征抽取方法的性能，都很值得進(jìn)一步研究。 本文在分析了圖像特征抽取方法的研究現(xiàn)狀后，對(duì)圖像的像

2、素灰度統(tǒng)計(jì)特征、變換系數(shù)特征、代數(shù)特征、直觀性特征等特征的抽取方法，及其在人臉檢測(cè)、人臉識(shí)別和火焰檢測(cè)等方面的應(yīng)用進(jìn)行了進(jìn)一步研究，提出了多種更加有效的特征抽取方法。 基于AdaBoost和Cascade算法的人臉快速檢測(cè)方法是當(dāng)前主流方法，但該方法訓(xùn)練檢測(cè)器非常耗時(shí)，限制了該算法的應(yīng)用前景，同時(shí)也導(dǎo)致檢測(cè)系統(tǒng)不能靈活擴(kuò)展。針對(duì)該問(wèn)題，本文提出了Haar-Like特征值量化的思想，由此提出了改進(jìn)的基于特征值劃分的AdaBoost

3、算法；基于量化后的特征值，可分別計(jì)算得到人臉和非人臉樣本的權(quán)重直方圖，根據(jù)權(quán)重直方圖可以快速計(jì)算出每個(gè)特征對(duì)應(yīng)的簡(jiǎn)單分類(lèi)器的閾值：在分析了人臉樣本和非人臉樣本特征值的分布特性后，提出了應(yīng)用權(quán)重直方圖的DW-AdaBoost雙閾值快速算法。在MIT-CBCL人臉和非人臉訓(xùn)練圖像庫(kù)上的實(shí)驗(yàn)結(jié)果證明了所提出算法的有效性。在MIT+CMU正面人臉測(cè)試集上的實(shí)驗(yàn)結(jié)果也表明，所提出的算法簡(jiǎn)化了人臉檢測(cè)器的訓(xùn)練過(guò)程，不僅提高了人臉檢測(cè)的訓(xùn)練速度，也提

4、高了檢測(cè)速度和檢測(cè)精度。 線性鑒別分析(LDA)是特征抽取中最為經(jīng)典和廣泛使用的方法。一般的LDA方法是在原始圖像上抽取特征，受光照變化、噪聲、圖像旋轉(zhuǎn)等的影響比較大，在抽取出全局特征后，還損失了一些局部鑒別信息。針對(duì)這些問(wèn)題，提出了多尺度分塊特征抽取的算法思想，使用圖像的變換系數(shù)特征和奇異值特征，基于線性鑒別分析算法實(shí)現(xiàn)了人臉識(shí)別。分別提出了基于離散余弦變換的多尺度低頻特征組合的LDA方法(MSLF+LDA)和多尺度奇異值特征

5、組合的LDA方法(MSVD+LDA)，實(shí)驗(yàn)結(jié)果證明了所提出的方法不僅能夠抽取具有較高識(shí)別率的人臉特征，而且實(shí)現(xiàn)了降低原始特征數(shù)據(jù)的維數(shù)。 針對(duì)單一特征表示圖像時(shí)的局限性，又提出了使用多尺度奇異值特征，再融合多尺度低頻特征進(jìn)行人臉識(shí)別的多尺度多特征的LDA特征抽取方法(MMFF+LDA)，并提出了一種加權(quán)并行融合方法(WMMFF+LDA)。在ORL，人臉圖像庫(kù)、Yale人臉圖像庫(kù)、NUST603人臉圖像庫(kù)，及FERET人臉圖像庫(kù)上