通常即便是简单的物体,用机器或计算机去进行检测和识别都是一件非常困难的事。目标识别最为关键的是物体的表示或描述以及究竟用什么样的特征去区别一物体和其它物体。局部不变特征技术的出现,为这一问题的解决提供一条有效途径。局部特征是对图像局部区域进行精细刻画的有效手段,由于具有极强的分辨性、稳定性、定位性,自局部特征提出以来,解决了计算机视觉方面的很多困难问题。由于局部特征描述能够提供一种具有统计意义的图像内容表述,避免了图像处理中非常困难的语义层次上的图像分割,因此在图像的认知理解方面有出色表现,目前已成为目标检测与识别领域的主流技术。局部特征描述一般要求特征对尺度、亮度、旋转和平移变换具有一定不变性。HDO局部特征是最近提出的一种具有较强的抗噪声干扰和照明变化能力的局部图像描述子,能够较好的应用于各种目标检测,但是传统HDO不具备抗旋转变换能力,因此限制了其应用。本文研究了融合HDO特征的铝板表面质量检测方法,另外针对HDO特征描述不具备旋转不变性的缺陷进行了改进研究,所做工作如下:(1)在经过预处理和缺陷目标分割后,提取缺陷目标区域的HDO特征以及相关灰度特征、几何特征和纹理特征,并把这些特征组合在一起形成缺陷特征,设计Adaboost—BP神经网络对六类铝板缺陷做了识别分类实验。实验结果表明:融合HDO特征后的方法平均分类识别率达到90.3%。优于传统的只提取几何、灰度、纹理特征作为特征向量的分类识别率87.0%。(2)针对传统的HDO局部特征不具备旋转不变性的缺点,提出一种改进的目标鲁棒识别的抗旋转HDO局部特征描述方法。通过引入RGT变换技术,并在构造像素点圆形邻域中构造结构张量,保证在图片旋转的情况下每个像素点的主方向和一致性保持不变,然后求取每个Block子区域的主方向直方图,再采用环状扇形分区的空间池化操作,使得到的局部特征有良好的鉴别能力和抗旋转变换能力。在公开的MIT人脸数据集中的测试结果显示,如果图片不旋转,本文方法准确率与传统的HDO算法基本持平,达到92.10%,但当样本图片旋转后,本文算法准确率比传统HDO算法高10.36%。此外,在行人数据集、合成的旋转手掌和旋转人脸识别实验中,本文方法的检测结果也明显优于传统的HDO算法。实验结果表明,本文提出的HDO特征描述具有较强的抗旋转变换性能。