图像特征抽取算法研究及其应用

图像处理,图像识别,特征抽取,算法,研究

受公共安全、金融安全以及人机交互等领域大量潜在的需求所驱动，生物特征识别尤其人脸识别已成为模式识别和人工智能领域的一个研究热点。《图像特征抽取算法研究及其应用》主要对图像特征抽取算法进行研究和总结，使读者可以快速了解和掌握**的特征抽取算法。主要内容包括：基于非负低秩表示的半监督学习方法；一种自适应Gabor图像特征抽取和权重选择的人脸识别方法；距离保持投影非线性降维技术的可视化与分类；增强局部鉴别排列及其核扩展；基于低秩稀疏表示的鉴别投影；基于多尺度局部二值模式的人脸识别；基于WT/SVD和KPCA的人脸识别方法；基于线性子空间和商图像理论的人脸识别研究；正交稀疏线性鉴别分析。

目录
前言
第1章 绪论 1
1.1 研究意义 1
1.2 图像识别研究概述 2
1.2.1 国内外研究进展 2
1.2.2 图像识别中常用的分类准则 7
1.2.3 图像识别算法的评价标准 8
1.2.4 常用生物特征图像库 9
1.3 人脸识别技术的难点 12
参考文献 12
第2章 基于非负低秩表示的半监督学习方法 18
2.1 引言 18
2.2 相关工作 20
2.2.1 高斯场和调和函数 20
2.2.2 低秩表示 21
2.3 基于非负低秩表示的流形嵌入分类 21
2.3.1 动机 21
2.3.2 MEC-NNLRR 算法 23
2.4 实验结果 25
2.4.1 参数选择 25
2.4.2 Yale 图像数据库实验 27
2.4.3 扩展YaleB 图像数据库实验 28
2.4.4 AR 图像数据库实验 28
2.4.5 CMU PIE 图像数据库实验 29
2.4.6 Yale 噪声数据库实验 30
2.5 本章小结 31
参考文献 31
第3章 一种自适应Gabor 图像特征抽取和权重选择的人脸识别方法 34
3.1 问题的提出 34
3.2 光照预处理 35
3.2.1 局部对照增强 35
3.2.2 改进的局部对照增强 36
3.3 自适应Gabor 特征抽取 37
3.3.1 Gabor 小波变换 37
3.3.2 离散余弦变换 39
3.3.3 鉴别力量分析 41
3.4 自适应权重计算与分类识别 43
3.4.1 自适应权重计算 43
3.4.2 分类识别 44
3.5 基于自适应Gabor 图像特征抽取和权重选择的识别系统 44
3.6 实验结果与分析 45
3.6.1 改进的局部对照增强实验 45
3.6.2 人脸识别实验 47
3.7 本章小结 50
参考文献 50
第4章 距离保持投影非线性降维技术的可视化与分类 53
4.1 引言 53
4.2 距离保持投影 54
4.3 距离保持投影的改进 55
4.3.1 流形和测地线距离 55
4.3.2 改进的距离保持投影 57
4.4 距离保持投影的扩展——分类识别 61
4.4.1 低维空间维数的确定 61
4.4.2 有监督的数据投影构造 62
4.4.3 分类构造 62
4.5 算法时间复杂度的分析 63
4.6 实验结果与分析 64
4.6.1 数据可视化实验 64
4.6.2 人脸识别实验 66
4.6.3 实验分析 68
4.7 本章小结 68
参考文献 68
第5章 增强局部鉴别排列及其核扩展 71
5.1 引言 71
5.2 鉴别局部排列 72
5.2.1 局部**化 72
5.2.2 样本权重 74
5.2.3 整体排列 74
5.3 增强鉴别局部排列 75
5.4 核增强鉴别局部排列 77
5.4.1 核方法 77
5.4.2 核增强鉴别局部排列算法 78
5.5 实验结果与分析 79
5.5.1 参数选择 80
5.5.2 对光照变化的鲁棒性实验 81
5.5.3 多种因素变化下的鲁棒性实验 83
5.6 本章小结 88
参考文献 88
第6章 基于低秩稀疏表示的鉴别投影 91
6.1 引言 91
6.2 相关工作 93
6.2.1 基于稀疏表示的分类 93
6.2.2 低秩表示 94
6.3 低秩稀疏表示的鉴别投影算法 94
6.3.1 研究动机 94
6.3.2 局部鉴别约束 95
6.3.3 基于DP-LRSR 的降维和分类算法 95
6.3.4 DP-LRSR 算法的计算复杂性和收敛性 98
6.4 实验 99
6.4.1 Yale 图像数据库实验 99
6.4.2 CMU PIE 图像数据库实验 100
6.4.3 Georgia Tech 图像数据库实验 101
6.4.4 FERET 图像数据库实验 102
6.4.5 PolyU 掌纹数据库实验 103
6.4.6 AR 图像数据库实验 104
6.5 本章小结 105
参考文献 105
第7章 基于多尺度局部二值模式的人脸识别 109
7.1 引言 109
7.2 局部二值模式 110
7.2.1 LBP 算子 110
7.2.2 直方图的度量 111
7.3 多尺度局部二值模式 111
7.4 实验 113
7.4.1 基于BLBP 的人脸识别实验 113
7.4.2 基于MS-LBP 人脸识别实验 115
7.5 本章小结 116
参考文献 116
第8章 基于WT/SVD 和KPCA 的人脸识别方法 118
8.1 引言 118
8.2 特征抽取 119
8.2.1 小波变换 119
8.2.2 奇异值分解 121
8.2.3 核主成分分析 121
8.3 分类识别——神经网络 122
8.4 实验结果与分析 123
8.4.1 KPCA 人脸识别实验 123
8.4.2 基于PCA 方法、KPCA 方法和本章所提方法的特征抽取实验 124
8.4.3 基于PCA 方法、KPCA 方法、SVD 方法和本章所提方法的人脸识别实验 125
8.5 本章小结 126
参考文献 126
第9章 基于线性子空间和商图像理论的人脸识别研究 129
9.1 引言 129
9.2 商图像方法 130
9.3 人脸光照子空间 131
9.4 基于9 维线性子空间的商图像方法 133
9.4.1 改进后的商图像 133
9.4.2 合成新对象的9 种光照基图像 134
9.4.3 度量方式 134
9.5 实验 134
9.5.1 商图像 135
9.5.2 基图像的合成 135
9.5.3 人脸识别实验 136
9.6 本章小结 137
参考文献 137
第10章 正交稀疏线性鉴别分析 140
10.1 引言 140
10.2 线性鉴别分析概述 141
10.3 正交稀疏线性鉴别分析 142
10.3.1 全局鉴别信息 142
10.3.2 局部结构信息 142
10.3.3 矩阵L2，1-范数和OSLDA 算法 144
10.4 实验结果 145
10.4.1 ORL 图像数据库上的实验 146
10.4.2 Yale 图像数据库上的实验 146
10.4.3 Georgia Tech 图像数据库上的实验 147
10.4.4 AR 图像数据库上的实验 148
10.5 本章小结 149
参考文献 150