论文部分内容阅读
图像特征提取技术是计算机视觉领域主要研究课题之一,已经在生物识别、图像检索、目标检测等领域得到了广泛应用。然而,复杂光照给图像的特征提取带来巨大的挑战,主要包括光照不足、过度曝光和阴影等因素,导致难以从图像中获得高鉴别性和强鲁棒性的图像特征。本文针对传统的特征提取方法在复杂光照条件下特征鉴别能力差、纹理描述不足等问题,提出了几种改进的方法,并在复杂光照的公共数据库上进行了大量的实验,验证了算法的有效性。本文主要工作和创新点如下:(1)针对局部梯度模式(LGP)单层模型对图像的局部特征描述不足的问题,提出了加权的局部协同梯度二值模式(Weighted Local Synergistic Gradient Pattern,WLSGP)。WLSGP算法采用了双层结构模型和权重系数分配模型,能够获取更加丰富的细节纹理信息,获取的特征在复杂光照条件下有较好的鲁棒性。(2)针对局部二值模式(LBP)忽略了模式间的共生相关信息的问题,提出了局部二值梯度共生相关模式(Local Binary Co-occurrence Gradient Pattern,LBCGP)。LBCGP算子采用编码同时为0或同时为1的情况表达邻域间的空间相关性,能够刻画更多的纹理结构信息,该特征具有更强的鉴别性。(3)针对韦伯描述符(WLD)的差分激励未能充分利用图像局部纹理信息的缺陷,引入了差分协同激励模式(DSEP)。针对WLD算子采用的各向同性LOG算子无法充分提取灰度信息的问题,将变尺度和变角度的LOG算子引入到差分协同激励中,提出各向异性差分协同激励模式(Anisotropic Differential Synergistic Excitation Pattern,ADSEP)。(4)针对WLD算子在特征描述中存在局限性的问题,本文融合了ADSEP算子和WLSGP算子的优点,提出了各向异性韦伯协同梯度描述符(Anisotropic Weber Synergistic Gradient Descriptor,AWSGD)。AWSDG采用ADSEP算子和WLSGP算子代替原始WLD中的差分激励分量和方向分量,该算法能够提取丰富的纹理细节和方向梯度信息。本文使用XGBoost分类器在人脸数据库CUMPIE、Yale B和纹理数据库PhoTex、RawFooT进行相关实验,并将本文提出的算法与经典特征描述算法进行对比,实验结果表明,本文提出的算子对光照变化具有更强的鲁棒性,获得了较高的识别率。总之,本文所提出的算法在变化光照的图像识别领域具有一定的理论意义和实用价值。