论文摘要
目标特征提取技术是模式识别的重要技术之一,提取稳定可靠的特征,是解决识别问题的关键。特征提取过程中目标图像会受到平移、尺度、旋转、光照变化等因素的影响,从而降低识别系统的实用性和准确性。针对以上问题,本文主要研究目标特征提取技术中的光照不变性问题,同时研究平移、尺度、旋转不变性问题,提取具有感知不变性的特征量。对基于感知不变性的目标特征提取技术进行理论研究,对Hu不变矩理论加以改进应用,提取具有平移、尺度、旋转不变性的特征量。对复杂变化光照条件下如何克服光照的影响及其算法理论进行了归纳论述,采用局部归一化处理和相对梯度的方法对变化光照条件下的图像进行处理,并进行实验对比。局部归一化处理方法是利用光照模型来估计光照影响,把光照影响用乘性噪声和加性噪声来模拟,以此来消除复杂光照的影响。相对梯度则是将对光照不敏感的梯度进行改进,融入局部的信息,提取目标图像的内在特性作为光照不变量。采用YaleB人脸库进行特征提取实验,结果表明两种方法对消除光照影响都有较好的作用,提高了识别率,但局部归一化处理方法要略优于相对梯度方法。基于上述分析,本文提出一种基于局部归一化及改进Hu不变矩的感知不变性特征提取算法,采用局部归一化方法对光照变化下的图像进行预处理,提取改进的Hu不变矩特征,该特征具有平移、尺度、旋转、光照等感知不变性,识别效果优于直接提取矩特征。