Gabor小波特征提取技术及其在目标识别中的应用研究

摘要

目标识别是计算机视觉领域中非常活跃的一个研究方向，在图像、生物、工业等民用领域及军事领域中有着广泛的应用，其中以目标特征的提取为难点与重点。本文研究的目的是提高Gabor目标识别算法的鲁棒性，降低负面因素对识别效果的影响。 首先介绍了常用的分类规则，分析了人工神经网络以及BP算法的优缺点。给出了一种变步长学习速率的改进方法，优化了BP神经网络，为后文的识别研究提供了较好的分类器支持。 对目标识别的前期工作进行了研究。通过预处理，提取了良好的目标样本。针对目标的旋转模糊，利用一种最小代价函数并通过邻域知识引导进行恢复；针对目标的尺度、平移及对比度差的情况，通过图像的标准化进行解决。 其次，研究Gabor滤波器的参数优化问题。分析了两种Gabor滤波器参数选择方法，针对传统Gabor滤波器提取的目标特征信息冗余度大，结合散布矩阵理论进行了参数的优化，得到性能最优的滤波器组；确定了提取边缘特征的最佳单Gabor滤波器参数。 再次，针对传统Gabor特征提取算法造成的维数灾难问题，结合模板匹配思想提出了一种将目标图像分层分块处理并提取Gabor特征的方法。改进了提取的Gabor特征，进一步提高了算法对目标亮度和对比度变化的适应性。通过标准化的Yale人脸库和自制的目标样本库，利用Matlab编程进行实验，实验结果表明算法具有较高的适用性和鲁棒性。 最后，针对目标多姿态问题进行了研究。对矩技术进行研究，改进了传统矩特征，提高其表征多姿态目标的稳定性。分别采用一种动态链接机制和与方向无关的Gabor核函数解决目标姿态发生变化时匹配困难的问题。通过特征融合方法提取了较为稳定的特征，较好地解决了目标多姿态性所造成的拒识别问题。最后利用手工制作的样本库，进行了仿真实验，验证了算法具有较好的适应性和鲁棒性。

目录

文摘

英文文摘

声明

1绪论

1.1课题的背景及意义

1.2目标识别的研究现状和存在的问题

1.2.1国内外研究现状

1.2.2存在的问题

1.3提取目标的不变性特征

1.4 Gabor滤波器简介

1.4.1 Gabor小波的提出

1.4.2 Gabor函数的测不准原理

1.5论文主要研究工作及章节安排

2目标识别系统及其分类器设计

2.1目标识别理论简介

2.1.1目标识别系统组成

2.1.2分类规则

2.2人工神经网络技术

2.2.1神经网络的分类及其优点

2.2.2多层前馈型神经网络

2.3改进的BP算法

2.3.1反向传播算法的主要缺点

2.3.2变步长自适应学习速率调整BP算法

2.3.3改进的BP算法与普通的BP算法的比较实验

2.4本章小结

3 基于组合多通道GabOr滤波器提取目标特征的研究

3.1图像预处理

3.1.1最小代价恢复旋转模糊图像

3.1.2目标图像增强处理

3.1.3图像标准化处理

3.1.4运动目标分割

3.2二维Gabor滤波器及其参数优化

3.2.1目标纹理特性分析

3.2.2二维Gabor滤波器的构成

3.2.3 Gabor滤波器参数选择

3.2.4基于特定方向的滤波器频率参数优化

3.3 Gabor滤波器提取目标特征

3.3.1多通道快速Gabor特征提取

3.3.2基于边缘特征提取的Gabor滤波器设计

3.3.3特征降维及归一化处理

3.3.4目标的特征向量表示

3.4实验及结果分析

3.4.1人脸识别实验

3.4.2自己制作样本库实验

3.5本章小结

4 基于Gabor滤波器特征融合技术的目标识别方法研究

4.1矩技术

4.1.1不变矩特性分析

4.1.2不变矩的改进及其稳定性分析

4.2目标特征融合处理

4.2.1特征融合算法

4.2.2目标姿态变化的处理

4.2.3 Gabor特征与矩特征的融合

4.3建立目标样本库

4.3.1数据模型的选择

4.3.2详细设计

4.3.3样本的选取

4.4 BP神经网络结构设计

4.5实验结果与分析

4.6本章小结

5总结与展望

5.1总结

5.2展望

致 谢

参考文献