图像特征点定位算法研究及其应用

论文摘要

图像特征点定位是图像处理与模式识别领域中的重要环节,也是影响识别结果和效果的一个关键性问题。由于图像的复杂性以及需求的多样性,特征点定位具有很大针对性,即对于不同类型的图像和不同的需求,往往要具体问题具体分析,采用不同的特征点定位方法。本文中作者主要对图像特征点定位算法及其在不同领域的应用进行了研究。其中重点研究了指纹识别、人脸识别以及头影测量分析中的图像特征点定位算法。本文的主要贡献总结如下:1)提出一个基于奇异点的指纹图像粗匹配算法,此算法由于直接对灰度指纹图像进行操作,不需要进行大量的预处理,从而减少了预处理过程带来的信息损失,提高了处理速度,适用于大型指纹库搜索中检索可能匹配的指纹;构建了一个新的四邻近特征向量(QNMV),并提出一个基于四邻近特征向量的指纹匹配算法,在FVC指纹库上的实验结果表明此算法具有很好的快速性与精确性。2)提出一个基于RGB色彩空间R通道的瞳孔精确定位算法;在对主动形状模型(ASM)深入分析的基础上,提出一个基于瞳孔位置初始化的RGB三通道ASM面部特征点定位算法,此算法不仅很好的解决了ASM平均模型位置初始化的问题,而且由于RGB三通道的采用,充分利用了人脸图像中的信息,提高了ASM定位算法的精度,与传统ASM算法相比具有很大优势。3)对已有头影图像测量分析中标志点定位方法归纳总结的基础上,分别对基于边缘跟踪和基于ASM的标志点定位算法进行了研究。实验结果表明,两种算法的标志点定位精度与人工定位并无明显差异,而在定位速度上却远比人工定位要快。

论文目录

• 摘要
• ABSTRACT
• 主要符号对照表
• 第一章 绪论
• 1.1 研究背景与项目支持
• 1.2 模式识别与生物特征识别
• 1.3 自动指纹识别技术
• 1.3.1 指纹识别技术的发展历史
• 1.3.2 指纹识别的原理和基本概念
• 1.3.3 自动指纹识别系统构成
• 1.3.4 常用的指纹数据库及性能评价
• 1.3.5 研究机构与应用现状
• 1.3.6 指纹识别研究的困难和意义
• 1.4 自动人脸识别技术
• 1.4.1 人脸识别中的基本问题
• 1.4.2 已有的人脸识别方法
• 1.4.3 常用的人脸数据库
• 1.4.4 研究机构与应用现状
• 1.4.5 人脸识别研究的难点和意义
• 1.5 自动头影测量分析
• 1.6 本文研究重点和创新点
• 1.7 论文结构安排
• 第二章 指纹图像特征点提取及指纹匹配的研究
• 2.1 已有算法回顾
• 2.1.1 基于细节特征的匹配算法
• 2.1.2 基于“非细节”特征的匹配算法
• 2.1.3 细节特征和“非细节”特征相结合的匹配算法
• 2.2 基于奇异点（Singular Point）的粗匹配
• 2.2.1 方向信息估计
• 2.2.2 基于Poincare值的奇异点检测
• 2.2.3 基于奇异点的灰度指纹图像粗匹配
• 2.2.4 实验分析
• 2.3 基于QNMV的指纹匹配算法的研究
• 2.3.1 QNMV（Quad-Neighborhood-Minutiae-Vector）的定义
• 2.3.2 基于QNMV结构向量的匹配参考点检测
• 2.3.3 基于多参考点对的配准参数估计
• 2.3.4 基于特征结构向量相似度的细节特征点配对
• 2.3.5 匹配分数计算
• 2.4 实验结果
• 2.5 本章小结
• 第三章 人脸图像特征点定位问题的研究
• 3.1 面部特征点定位方法
• 3.2 眼睛定位算法
• 3.2.1 已有的眼睛检测算法
• 3.2.2 本文提出的眼睛定位算法
• 3.3 基于改进ASM的面部特征点定位
• 3.3.1 主动形状模型
• 3.3.2 改进的ASM面部特征点定位算法
• 3.3.3 实验结果
• 3.4 本章小结
• 第四章 自动X线头影图像测量中标志点定位问题的研究
• 4.1 头影测量分析技术
• 4.1.1 头影测量学的产生与发展
• 4.1.2 自动头影测量技术的可行性研究
• 4.2 已有的头影标志点定位算法
• 4.3 基于边缘跟踪的头影标志点定位方法
• 4.3.1 图像预处理
• 4.3.2 小波多尺度分解
• 4.3.3 Canny滤波器
• 4.3.4 基于知识的边缘跟踪
• 4.3.5 标志点识别
• 4.4 基于ASM的标志点定位
• 4.5 实验结果
• 4.6 本章小结
• 第五章 结论与展望
• 5.1 全文工作总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文