论文部分内容阅读
图像特征提取的研究是计算机视觉研究的基础和重点。随着机器学习及计算机视觉在不同领域的广泛应用,人们对图像特征的认识也有了进一步的深化。其中所选取特征的区分力及鲁棒性直接关系到算法的识别能力和检测速度。本文通过应用改进后的韦伯局部特征进行人脸识别,并且通过应用基于形状上下文的图像匹配算法进行图像匹配。2010年Chen等人提出了一种基于韦伯定律的简单并且鲁棒的局部特征:韦伯局部特征。它依据人类观测物体的方法:不仅会注意到物体的改变,还会注意到物体相对于背景变化的强度。WLD(韦伯局部特征)由两个组成部分:1)差分激励;2)梯度方向。其中,差分激励是像素点与周围邻近像素点的差分比值;梯度方向是该像素点的方向梯度。通过应用CBCL和MIT-CMU的人脸库的,表明WLD是一个鲁棒且快速的局部特征。但是在计算差分激励时,标准WLD差分算法对像素变化相对平滑的图像的过滤没有很好的体现出对图像纹理特征的提取以及对边界的提取。为了克服这一缺点,本论文提出了基于原图像的频域能量熵的差分激励算法。该改进WLD差分激励算法通过:1)计算原图像的频域能量熵;2)高斯带通滤波器得到比标准WLD差分激励更为鲁棒且区分度高的差分激励。本论文的另一个主要内容就是研究基于形状上下文的图像匹配。其中,基于形状上下文的图像特征是一个极坐标直方图特征。匹配算法有两个主要步骤: 1)建立两个图像之间轮廓点间的对应关系;2)由该对应关系,计算一幅图像到另一幅图像的校准变换方程,以使得两幅图像的相似性最大化。基于形状上下文的图像匹配与一般的图像匹配的不同之处在于前者采用了形状上下文特征来描述图像的轮廓点。给定轮廓上的一个点及以该点为中心的一个小圆形邻域区域,按照角度和径向把该圆形区域分成若干区域。然后统计各区域内轮廓点的频次。由此可见,形状上下文特征很好地刻画了图像轮廓点的邻域关系,对图像匹配对应关系的建立有很大的帮助。综上,本论文实现了基于WLD特征的人脸识别和基于形状上下文的图像匹配算法。并且对平滑变化图像的差分激励进行改进,试验表明本论文所提的改进方法比标准WLD差分激励能更好地刻画平滑图像并且有更高的识别率。