论文部分内容阅读
图像资料以其生动而又形象的特点充斥着人们的生活。图像数据的不断丰富与增长,强烈要求对其进行快速、自动而又有效的检索,基于内容的图像检索便是在这样的背景下得到了前所未有的发展。检索过程中,由于人脸是一种重要的视觉信息,包含有人物的图片往往更能让人感兴趣。文章针对如何从大量“杂乱无章”的图像中找到包含有某个特定人物的图像这一具体问题进行研究,采用先缩小检索范围后确定人物身份的思想,将图像分为两大类——“包含有人物的”与“不包含人物的”,对包含有人物的图像进行身份验证(人脸识别)。文章围绕融合多特征的“图像分类”与“人脸识别”这两个关键问题做了如下几方面的工作:(1)为实现图像分类预处理,首先分析了图像的各种特征描述与提取。对作为训练样例的图像,使用局部累积直方图法提取颜色特征,纹理特征的提取则借助于灰度共生矩阵的方法。融合这两种特征并将其表示为属性与值的序偶,训练得到分类图像的决策树,将图像分为两大类。(2)在得到包含有人物的图像之后,利用harr-like特征,以基于Adaboost算法的学习方法训练得到分类器,实现人脸的检测并进行分割。之后分别利用Gabor小波变换与局部二值模式(LBP)提取并融合人脸图像的全局与局部特征,进而设计并训练BP神经网络实现人脸识别。(3)由于决策树方法与人工神经网络方法同属于机器学习范畴,为了避免过度拟合问题并高效利用训练样例,需要对分类器准确率做出有效的评估。文章研究现有的评估方法,在其基础上设计出一种新的评估方法,旨在综合已有方法的优点,更加有效地利用训练数据,并以实验进行验证。文章将决策树分类技术应用到图像的检索中,达到缩小检索范围的目的,加快了检索的速度;并在分类器的评估方法上有所改进,提高了分类的精度。