圖像特征抽取算法研究及其應(yīng)用

目錄
前言
第1章 緒論 1
1.1 研究意義 1
1.2 圖像識別研究概述 2
1.2.1 國內(nèi)外研究進展 2
1.2.2 圖像識別中常用的分類準則 7
1.2.3 圖像識別算法的評價標準 8
1.2.4 常用生物特征圖像庫 9
1.3 人臉識別技術(shù)的難點 12
參考文獻 12
第2章 基于非負低秩表示的半監(jiān)督學習方法 18
2.1 引言 18
2.2 相關(guān)工作 20
2.2.1 高斯場和調(diào)和函數(shù) 20
2.2.2 低秩表示 21
2.3 基于非負低秩表示的流形嵌入分類 21
2.3.1 動機 21
2.3.2 MEC-NNLRR 算法 23
2.4 實驗結(jié)果 25
2.4.1 參數(shù)選擇 25
2.4.2 Yale 圖像數(shù)據(jù)庫實驗 27
2.4.3 擴展YaleB 圖像數(shù)據(jù)庫實驗 28
2.4.4 AR 圖像數(shù)據(jù)庫實驗 28
2.4.5 CMU PIE 圖像數(shù)據(jù)庫實驗 29
2.4.6 Yale 噪聲數(shù)據(jù)庫實驗 30
2.5 本章小結(jié) 31
參考文獻 31
第3章 一種自適應(yīng)Gabor 圖像特征抽取和權(quán)重選擇的人臉識別方法 34
3.1 問題的提出 34
3.2 光照預(yù)處理 35
3.2.1 局部對照增強 35
3.2.2 改進的局部對照增強 36
3.3 自適應(yīng)Gabor 特征抽取 37
3.3.1 Gabor 小波變換 37
3.3.2 離散余弦變換 39
3.3.3 鑒別力量分析 41
3.4 自適應(yīng)權(quán)重計算與分類識別 43
3.4.1 自適應(yīng)權(quán)重計算 43
3.4.2 分類識別 44
3.5 基于自適應(yīng)Gabor 圖像特征抽取和權(quán)重選擇的識別系統(tǒng) 44
3.6 實驗結(jié)果與分析 45
3.6.1 改進的局部對照增強實驗 45
3.6.2 人臉識別實驗 47
3.7 本章小結(jié) 50
參考文獻 50
第4章 距離保持投影非線性降維技術(shù)的可視化與分類 53
4.1 引言 53
4.2 距離保持投影 54
4.3 距離保持投影的改進 55
4.3.1 流形和測地線距離 55
4.3.2 改進的距離保持投影 57
4.4 距離保持投影的擴展——分類識別 61
4.4.1 低維空間維數(shù)的確定 61
4.4.2 有監(jiān)督的數(shù)據(jù)投影構(gòu)造 62
4.4.3 分類構(gòu)造 62
4.5 算法時間復(fù)雜度的分析 63
4.6 實驗結(jié)果與分析 64
4.6.1 數(shù)據(jù)可視化實驗 64
4.6.2 人臉識別實驗 66
4.6.3 實驗分析 68
4.7 本章小結(jié) 68
參考文獻 68
第5章 增強局部鑒別排列及其核擴展 71
5.1 引言 71
5.2 鑒別局部排列 72
5.2.1 局部最優(yōu)化 72
5.2.2 樣本權(quán)重 74
5.2.3 整體排列 74
5.3 增強鑒別局部排列 75
5.4 核增強鑒別局部排列 77
5.4.1 核方法 77
5.4.2 核增強鑒別局部排列算法 78
5.5 實驗結(jié)果與分析 79
5.5.1 參數(shù)選擇 80
5.5.2 對光照變化的魯棒性實驗 81
5.5.3 多種因素變化下的魯棒性實驗 83
5.6 本章小結(jié) 88
參考文獻 88
第6章 基于低秩稀疏表示的鑒別投影 91
6.1 引言 91
6.2 相關(guān)工作 93
6.2.1 基于稀疏表示的分類 93
6.2.2 低秩表示 94
6.3 低秩稀疏表示的鑒別投影算法 94
6.3.1 研究動機 94
6.3.2 局部鑒別約束 95
6.3.3 基于DP-LRSR 的降維和分類算法 95
6.3.4 DP-LRSR 算法的計算復(fù)雜性和收斂性 98
6.4 實驗 99
6.4.1 Yale 圖像數(shù)據(jù)庫實驗 99
6.4.2 CMU PIE 圖像數(shù)據(jù)庫實驗 100
6.4.3 Georgia Tech 圖像數(shù)據(jù)庫實驗 101
6.4.4 FERET 圖像數(shù)據(jù)庫實驗 102
6.4.5 PolyU 掌紋數(shù)據(jù)庫實驗 103
6.4.6 AR 圖像數(shù)據(jù)庫實驗 104
6.5 本章小結(jié) 105
參考文獻 105
第7章 基于多尺度局部二值模式的人臉識別 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 直方圖的度量 111
7.3 多尺度局部二值模式 111
7.4 實驗 113
7.4.1 基于BLBP 的人臉識別實驗 113
7.4.2 基于MS-LBP 人臉識別實驗 115
7.5 本章小結(jié) 116
參考文獻 116
第8章 基于WT/SVD 和KPCA 的人臉識別方法 118
8.1 引言 118
8.2 特征抽取 119
8.2.1 小波變換 119
8.2.2 奇異值分解 121
8.2.3 核主成分分析 121
8.3 分類識別——神經(jīng)網(wǎng)絡(luò) 122
8.4 實驗結(jié)果與分析 123
8.4.1 KPCA 人臉識別實驗 123
8.4.2 基于PCA 方法、KPCA 方法和本章所提方法的特征抽取實驗 124
8.4.3 基于PCA 方法、KPCA 方法、SVD 方法和本章所提方法的人臉識別實驗 125
8.5 本章小結(jié) 126
參考文獻 126
第9章 基于線性子空間和商圖像理論的人臉識別研究 129
9.1 引言 129
9.2 商圖像方法 130
9.3 人臉光照子空間 131
9.4 基于9 維線性子空間的商圖像方法 133
9.4.1 改進后的商圖像 133
9.4.2 合成新對象的9 種光照基圖像 134
9.4.3 度量方式 134
9.5 實驗 134
9.5.1 商圖像 135
9.5.2 基圖像的合成 135
9.5.3 人臉識別實驗 136
9.6 本章小結(jié) 137
參考文獻 137
第10章 正交稀疏線性鑒別分析 140
10.1 引言 140
10.2 線性鑒別分析概述 141
10.3 正交稀疏線性鑒別分析 142
10.3.1 全局鑒別信息 142
10.3.2 局部結(jié)構(gòu)信息 142
10.3.3 矩陣L2，1-范數(shù)和OSLDA 算法 144
10.4 實驗結(jié)果 145
10.4.1 ORL 圖像數(shù)據(jù)庫上的實驗 146
10.4.2 Yale 圖像數(shù)據(jù)庫上的實驗 146
10.4.3 Georgia Tech 圖像數(shù)據(jù)庫上的實驗 147
10.4.4 AR 圖像數(shù)據(jù)庫上的實驗 148
10.5 本章小結(jié) 149
參考文獻 150