光照变化条件下不敏感特征的提取
几种特征点提取算子的分析和比较
几种特征点提取算子的分析和比较特征点提取是计算机视觉中的一个重要任务，用于定位和描述图像中的重要局部特征，如角点、边缘、斑点等。
通过提取图像的特征点，可以实现目标识别、图像配准、图像检索等任务。
常用的特征点提取算子包括Harris角点检测算子、SIFT（尺度不变特征变换）算子、SURF（加速稳健特征）算子和FAST（快速特征点）算子。
下面对这几种算子进行分析和比较。
1. Harris角点检测算子：Harris角点检测算子是一种基于图像亮度变化的角点检测方法。
它通过计算图像每个像素的Harris响应函数来判断是否为角点。
Harris算子具有旋转不变性和尺度不变性的优点，但对于光照变化比较敏感。
2.SIFT算子：SIFT算子是一种局部特征描述算子，通过尺度空间的不变性和局部光度不变性来提取特征点。
SIFT算子对旋转、尺度、光照和仿射变化具有较好的不变性，适用于一些复杂场景下的目标识别和图像匹配任务。
3.SURF算子：SURF算子是一种基于SIFT算子的加速算法，它通过使用积分图像和快速Hessian矩阵的计算方法，提高了特征点提取的效率。
SURF算子在保持SIFT算子的不变性的基础上，显著提升了运算速度。
4.FAST算子：FAST算子是一种基于灰度阈值的快速特征点提取算子。
FAST算子速度快，适用于实时应用和大规模图像处理任务。
但FAST算子对于尺度和旋转变化较为敏感，不适用于复杂场景下的图像处理任务。
综上所述，不同的特征点提取算子适用于不同的图像处理任务。
如果要求高精度、高稳定性和较好的不变性，可以选择SIFT或SURF算子；如果要求处理速度较快，可以选择FAST算子。
实际应用中，可以根据具体需求选择适合的算子或者结合多个算子进行特征点提取，以达到更好的效果。
常用运动目标跟踪方法介绍
2．6．常用运动目标跟踪方法介绍2．6．1基于区域匹配的跟踪方法如绪论中所介绍，基于区域匹配的跟踪方法14 6J的基本思想是将检测阶段经过目标分割后获得的含有运动目标的区域提取出来，并作为跟踪匹配的模板，同时定义目标的匹配度量方法。
在后续序列的待搜索图像帧中，通过匹配度量全图搜索与模板达到最佳匹配的区域，找到的使得匹配度量值最小的位置即可确定为目标在当前帧的位置，从而达到运动目标跟踪的目的。
可以看出，基于区域匹配的跟踪算法的关键在于搜索方法以及匹配度量方法的定义，选取合适的搜索算法和匹配距离的度量方法成为这类算法中不断改进的突破点。
目前常用的搜索算法一般被归为全局搜索和局部搜索这两大类。
全局搜索主要是针对整幅图像进行全图搜索，这种搜索算法可以保证搜索的准确性，匹配的准确率高。
但其对于大幅图像来讲，搜索全图十分耗时，难以应用到实际的跟踪系统中；局部搜索相比于全局搜索的逐点扫描，需要预先检测当前帧中的运动目标，然后只针对运动目标所存在的区域进行匹配，从而实现了运动目标的跟踪。
局部搜索省去了全图搜索所耗费的大部分时间，因此实时性很好，但其对于目标检测的精确度要求较高。
局部搜索还有一个难点问题在于，其抗遮挡性能低，如果运动目标在检测过程中互相遮挡或是被背景等遮挡，则易导致跟踪精度大大降低，严重时甚至会出现目标丢失的情况。
因此采用局部搜索方法时一般还需研究专门的遮挡消除算法。
该方法的另一个关键点在于如何定义匹配度量方法。
目前常用的匹配度量方法有亮度匹配法、形态距离匹配法以及外部轮廓匹配法等等。
亮度匹配主要是利用与颜色相关的特征如灰度、颜色值等，进行匹配度量；外部轮廓匹配主要是以目标的纹理、大致形状等为基准进行匹配度量。
基于区域匹配的跟踪方法由于提取了比较完整的目标模板，获得了更多的目标信息，因此其相比于其他跟踪算法，其更多的被用来对较小的或对比度较低的运动目标进行跟踪，尤其在军事领域有比较广泛的应用。
但其缺点也不容忽视：全局搜索的运算量大，局部搜索的遮挡问题等等，因此人们将运动预测方法结合到基于区域匹配的方法中，如Kalman预测，通过预测运动动目标在下一帧中可能出现的运动范围，进行局部搜索，从而提高了搜索的效率；而对于遮挡和阴影问题，则提出了利用彩色以及纹理等来解决。
计算机视觉 课堂笔记
计算机视觉课堂笔记在计算机科学领域，计算机视觉是一门研究如何让计算机“看”和理解图像和视频的技术。
它是通过模拟和研究人类视觉系统的运作原理，利用算法和数学模型，实现对图像和视频的分析、处理和识别。
一、图像处理基础1. 数字图像表示数字图像是用像素矩阵表示的，每个像素包含图像上一个点的颜色或灰度信息。
常见的图像格式包括位图（BMP）、JPEG、PNG等。
2. 图像滤波图像滤波是在图像上进行像素运算的技术，可以平滑图像、增强细节或去除噪声。
常用的滤波方法有均值滤波、中值滤波和高斯滤波。
3. 图像变换常见的图像变换包括缩放、旋转、翻转等，这些变换可以对图像进行形状和尺寸的调整。
4. 图像分割图像分割是将图像划分为若干个区域的过程，常用的分割方法包括阈值分割、边缘检测和区域生长等。
二、图像特征提取1. 边缘检测边缘是图像中强度变化最大的区域，边缘检测算法可以提取图像中的边缘信息，常见的方法有Sobel算子、Canny边缘检测和拉普拉斯算子。
2. 角点检测角点是图像中明显的角区域，角点检测算法可以找到图像中的角点，常用的算法有Harris角点检测和Shi-Tomasi角点检测。
3. 尺度不变特征变换（SIFT）SIFT是一种常用的图像特征提取算法，它可以提取出对尺度、旋转和光照变化不敏感的特征点。
三、目标检测和识别1. 模板匹配模板匹配是一种简单但有效的目标检测方法，它将一个已知的目标模板与图像进行匹配，找到与目标相似的区域。
2. Haar特征和级联分类器Haar特征是一种基于矩形划分的特征，级联分类器通过级联多个弱分类器来实现目标检测，著名的Viola-Jones人脸检测算法就是基于此。
3. 卷积神经网络（CNN）CNN是一种深度学习算法，它可以自动学习和提取图像特征，并实现图像识别和分类。
常用的CNN模型包括LeNet、AlexNet和ResNet等。
四、三维重建与运动估计1. 立体匹配立体匹配是通过比较两个或多个图像上对应点之间的差异，来计算物体的深度信息，从而实现三维重建。
伪装效果评价模型的图像纹理特征提取方法
伪装效果评价模型的图像纹理特征提取方法见超超;胡江华;崔光振【摘要】对伪装后的军事目标进行伪装效果评价,通常依据伪装前后目标图像特征的改变情况进行评价.光照环境影响导致采集的图像质量下降,对提取目标图像特征会产生不利影响,从而影响伪装效果的评价.针对光照环境对目标图像特征的影响,提出一种结合局部二进制模式(LBP)与灰度共生矩阵的目标纹理特征提取方法.该方法首先通过局部二进制模式(LBP)算法提取目标图像不受光照影响的图像特征信息,然后对局部二进制模式(LBP)图像提取灰度共生矩阵,获得描述图像纹理特征的5个特征值.通过对比实验表明该方法可以有效降低光照环境因素对伪装效果评价的不利影响,使伪装目标的伪装效果评价结果更加准确可靠.%To evaluate camouflage effect of the camouflaged military targets, we usually base on the changes of image characteristics before and after for camouflage target.Because of the influence of illumination environment led to the decrease of the image quality, it can produce adverse effect on the image feature and affect the camouflage effect evaluation.A method of Image texture feature extraction which combination of local binary pattern (LBP) and gray level co-occurrence matrix is proposed in this paper.This method first by local binary pattern (LBP) algorithm to extract the image feature which is not affected by light information, then get the five characteristics values of image texture feature by gray level co-occurrence matrix.Through comparative experiments show that this method can effectively reduce the illumination of the adverse impact of environmental factors on thecamouflage effect evaluation, camouflage effect evaluation result more accurate and reliable.【期刊名称】《指挥控制与仿真》【年(卷),期】2017(039)003【总页数】4页(P102-105)【关键词】图像纹理特征;光照环境影响;局部二进制模式;灰度共生矩阵;纹理相似度;伪装效果评价【作者】见超超;胡江华;崔光振【作者单位】解放军理工大学电磁环境效应与电光工程重点实验室,江苏南京210007;解放军理工大学电磁环境效应与电光工程重点实验室,江苏南京 210007;解放军理工大学电磁环境效应与电光工程重点实验室,江苏南京 210007【正文语种】中文【中图分类】E951.4;TP391目前,依据伪装目标在伪装前后特征的改变情况建立了许多有效的伪装效果评价模型[1-2]。
人脸识别技术中光照条件对识别效果的影响与解决方法
人脸识别技术中光照条件对识别效果的影响与解决方法光照是人脸识别技术中一个重要的因素，直接影响着识别的准确性和可靠性。
光照条件的变化会使得人脸的外貌特征发生变化，从而给人脸识别系统带来一定的困扰。
因此，研究光照条件对人脸识别效果的影响以及解决方法，对于提高人脸识别技术的可靠性和普适性具有重要的意义。
光照条件对人脸识别的影响主要表现在以下几个方面：一是光照的强度变化会导致人脸图像的亮度不一致，从而使得人脸特征的提取受到影响。
二是光照的方向变化会引起阴影的出现，进而改变人脸的纹理特征，使得人脸区域的判别变得困难。
三是光照条件的变化会导致人脸的反射光变化，从而会影响到人脸的颜色特征。
这些因素都会降低人脸识别系统的准确性。
针对光照条件对人脸识别效果的影响，研究者们提出了一系列的解决方法。
首先是基于相机成像技术的方法。
通过调整相机的曝光时间和增益等参数，可以减少或消除光照变化对人脸图像的影响。
此外，还可以采用多光源的策略，通过控制人脸周围的光源来减小光照条件对人脸特征的影响。
其次，基于图像处理的方法也被广泛应用于光照条件对人脸识别的解决中。
这些方法主要包括直方图均衡化、光照归一化和图像增强等技术。
直方图均衡化是将图像的像素值按照一定的规则重新分配，以使得图像的灰度分布均匀，从而提高人脸特征的提取效果。
光照归一化则是通过建立光照模型，将输入的人脸图像调整到一个统一的光照条件下，再进行人脸特征的提取和匹配。
图像增强技术则通过增强图像的对比度和边缘等特征来提高人脸图像的质量和可用性。
另外，基于特征选择和特征变换的方法也可以有效克服光照条件对人脸识别的影响。
特征选择是从原始的人脸图像中选择一组有助于识别的特征，而忽略其他不相关或者冗余的特征。
通过选择适当的特征子集，可以减少光照条件对人脸识别的干扰。
特征变换则是将原始的人脸图像转化为一个具有良好鲁棒性和判别性的特征空间，以得到更加稳定和可靠的人脸特征。
此外，基于机器学习的方法也被广泛用于光照条件对人脸识别的解决中。
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理帧间差分法是一种常用的运动目标检测方法，它通过比较视频序列中不同帧之间的差异来检测运动目标，从而实现目标跟踪和识别。
本文将介绍帧间差分法的运动目标检测过程及原理。
帧间差分法的运动目标检测过程主要包括以下几个步骤：1. 视频帧获取：首先需要获取视频序列，可以通过摄像头、摄像机等设备来获取。
2. 帧间差分处理：将视频序列中相邻的两帧进行差分处理，得到两帧之间的差异，以检测目标的运动情况。
差分处理可以使用像素级的差异或者区域级的差异进行计算。
3. 运动目标检测：通过帧间差分处理得到的差异图像，可以进行阈值处理、边缘检测、连通域分析等操作，以提取出视频序列中的运动目标。
4. 目标跟踪与识别：最后可以对提取出的运动目标进行跟踪和识别，以实现对目标的监控与分析。
二、帧间差分法的原理帧间差分法的原理是基于视频序列中连续帧之间的差异来进行运动目标检测的。
具体来说，帧间差分法的原理包括以下几个方面：1. 差分图像计算：帧间差分法首先通过比较视频序列中相邻帧的像素值，计算出两帧之间的差异。
常见的计算方式包括绝对差分、均方差分等，可以得到表示两帧之间差异的差分图像。
1. 视频监控：帧间差分法可以用于视频监控系统中对目标的运动进行检测与跟踪，从而实现对监控区域的实时监控与预警。
2. 交通监控：在交通监控系统中，帧间差分法可以用于车辆与行人的运动检测与识别，以实现交通流量统计、违规行为检测等功能。
3. 智能驾驶：在智能驾驶系统中，帧间差分法可以用于实时检测路面上的车辆、行人等运动目标，以实现自动驾驶、避障等功能。
4. 人体姿态识别：帧间差分法可以用于对人体姿态的运动进行检测与分析，从而实现人体姿态识别、动作分析等功能。
优点：2. 对光照变化不敏感：帧间差分法在运动目标检测过程中对光照变化不敏感，能够适应不同光照条件下的目标检测需求。
3. 算法简单：帧间差分法的算法相对简单，计算量小，适用于资源有限的嵌入式系统。
红外肤色分割算法
红外肤色分割算法引言：随着计算机视觉和图像处理技术的快速发展，肤色分割算法成为了一个重要的研究领域。
其中，红外肤色分割算法是一种基于红外图像的肤色分割方法，可以在光线强烈变化或者光照不均的情况下，准确地提取出肤色区域。
本文将介绍红外肤色分割算法的原理和应用。
一、红外肤色分割算法原理红外肤色分割算法主要基于红外图像的特性，利用红外图像中肤色区域与其他区域的差异进行分割。
其具体步骤如下：1. 预处理：首先对红外图像进行预处理，包括灰度化、平滑处理和增强等。
这些预处理操作可以消除图像中的噪声和干扰，提高肤色分割的准确性。
2. 特征提取：通过提取红外图像中的特征，如纹理特征、颜色特征和形状特征等，来描述肤色区域与其他区域的差异。
这些特征可以通过一些统计方法或者机器学习方法来提取。
3. 分割算法：利用上述提取到的特征，采用适当的分割算法对红外图像进行分割，将肤色区域与其他区域进行区分。
常用的分割算法包括阈值分割、基于聚类的分割和基于边缘的分割等。
4. 后处理：对分割结果进行后处理，包括去除孤立点、填充空洞和平滑边界等。
这些后处理操作可以进一步提高分割结果的准确性和鲁棒性。
二、红外肤色分割算法的应用红外肤色分割算法在许多领域都有广泛的应用，主要包括以下几个方面：1. 人脸识别：红外肤色分割算法可以帮助提取人脸图像中的肤色区域，从而实现对人脸的准确识别。
由于红外图像对光照变化不敏感，因此红外肤色分割算法在光照条件不好的情况下仍能保持较高的识别准确率。
2. 人体检测：红外肤色分割算法可以帮助提取人体图像中的肤色区域，从而实现对人体的准确检测。
通过对红外图像进行肤色分割，可以有效地去除背景干扰，提高人体检测的准确性和鲁棒性。
3. 医学图像分析：红外肤色分割算法在医学图像分析领域也有广泛的应用。
例如，在皮肤病诊断中，红外肤色分割算法可以帮助提取皮肤病变区域，辅助医生进行病情分析和诊断。
4. 视频监控：红外肤色分割算法可以应用于视频监控系统中，用于检测和跟踪人体。
图像处理中的形状特征提取算法研究
图像处理中的形状特征提取算法研究形状特征提取是图像处理中的一项重要任务，它涉及到对图像中的对象形状进行定量描述和分析。
通过提取对象的形状特征，可以实现图像识别、目标跟踪、机器人视觉等诸多应用。
在本文中，将介绍一些常用的形状特征提取算法，并探讨它们的优缺点及应用。
一、边界描述子边界描述子是最常见、简单且直观的形状特征提取方法之一。
它基于边界的形状进行描述，通过分析对象边界的形状来提取特征。
最常用的边界描述子是弧长、周长、面积和凸包等。
其中，弧长可以用来度量边界的曲线特性，周长可以用来度量边界的尺寸特性，而面积和凸包可以用来度量边界的形状特性。
边界描述子简单易用，且计算速度快，因此在许多应用中被广泛使用。
然而，边界描述子存在一些问题。
首先，它对图像的噪声和变形较为敏感。
由于边界描述子主要依靠边界信息进行计算，当图像存在噪声或对象发生形变时，提取的特征容易受到干扰，导致结果不准确。
其次，边界描述子无法有效地描述对象内部的形状信息。
由于边界描述子只关注对象的边界，无法考虑对象的内部结构，因此在处理复杂形状的对象时效果有限。
二、轮廓描述子轮廓描述子是一种基于轮廓的形状特征提取方法，它通过将对象的轮廓进行数学描述来提取特征。
常用的轮廓描述子有Hu矩、Zernike矩和傅里叶描述子等。
其中，Hu矩是最常用的一种轮廓描述子，它可以通过一系列归一化的矩来描述对象的形状特征。
而Zernike矩和傅里叶描述子则通过将对象的轮廓分解为一系列基函数的系数来表示。
轮廓描述子相比边界描述子具有以下优点。
首先，它对图像的噪声和变形具有较好的鲁棒性。
轮廓描述子可以通过综合考虑轮廓的形状和结构信息，来减少噪声和形变的干扰，提取更准确的特征。
其次，轮廓描述子具有较好的旋转和尺度不变性。
由于轮廓描述子是基于轮廓形状的数学描述，因此对于对象的旋转和尺度变化具有一定的鲁棒性。
然而，轮廓描述子也存在一些问题。
首先，它对对象的光照变化和纹理变化较为敏感。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第32卷 第16期2010年8月武 汉 理 工 大 学 学 报JOURNA L OF WUHAN UNIVERSIT Y OF TECHN OLOG Y Vol.32 No.16 Aug.2010DOI :10.3963/j.issn.167124431.2010.16.003光照变化条件下不敏感特征的提取赵英男1,2,耿焕同1,傅德胜1,徐 勇3(1.南京信息工程大学计算机与软件学院,南京210044;2.吉首大学物理科学与信息工程学院,湖南吉首416000;3.哈尔滨工业大学深圳研究生院,深圳518055)摘 要: 光照变化条件下提取强鲁棒性的不敏感特征是人脸自动识别中颇具挑战性的课题,文中对此进行了研究,提出一种新的G abor 镜像特征。
首先给出G abor 镜像特征的提取过程;其次从Fisher 准则和相关性方面对该特征进行理论分析,最后在Y aleB 人脸图像库上和常用G abor 特征进行对比实验,数据显示G abor 镜像特征在光照变化条件下具有较强的鲁棒性,可以有效提高识别率。
关键词: 光照变化; 特征提取; G abor 特征; 镜像变换; 人脸识别中图分类号: TP 393文献标识码: A 文章编号:167124431(2010)1620011204R esearch of Insensitive Feature Extraction U nderV arying Illumination ConditionsZHA O Yi ng 2nan 1,2,GEN G Huan 2tong 1,FU De 2sheng 1,X U Yong 3(1.School of Computer and S oftware ,Nanjing University of Information Science &Technology ,Nanjing 210044,China ;2.School of Physics Science &Information Engineering ,Jishou University ,Jishou 416000,China ;3.ShenzhenGraduate School ,Harbin Institute of Technology ,Shenzhen 518055,China )Abstract : Achieving illumination invariance in the insensitive feature of face images remains one of the most challenging as 2pects of automatic face recognition.In this paper ,a novel mirror 2like G abor feature is proposed for its robust and efficient matching.First ,the process of mirror 2like G abor feature extraction is presented.Second ,it gives a theoretical analysis from the Fisher criterion and statistical correlation points of view.Finally ,the comparison experiment between mirror 2like G abor feature and G abor feature is performed on the Y aleB image databases ,and the experimental results indicate that the former has the powerful robustness.K ey w ords : illumination variation ; feature extraction ; G abor features ; mirror 2like transformation ; face recognition 收稿日期:2010205205.基金项目:国家自然科学基金(60702076),中国高技术研究发展计划(863)课题(2006AA01Z119),湖南省自然科学基金(07JJ6109),中国博士后科学基金(20080431114),江苏省博士后科学基金(0801024B )和南京信息工程大学科研基金.作者简介:赵英男(19732),女,副教授.E 2mail :yingnanzhao @人脸识别是模式识别领域中一个十分活跃的研究方向,在信息安全、商业、法律、电子商务等领域有着广泛的应用前景。
虽然经过多年积累,人脸识别技术有了长足的进步,但是目前依然存在着许多挑战性的课题,例如光照变化条件下的人脸识别。
对该问题的研究可以有效促进人脸识别的实用化进程,因此吸引了众多研究者的目光。
针对该领域的研究大致可以分为3类:1)对光照变化下的成像建立模型,如将人脸看作Lambert 表面并在此基础上建立模型进行人脸识别[1]。
2)着重对人脸图像进行某种归一化或正则化预处理,将其转换为某一理想光照条件下的人脸图像,藉此来消除不同光照带来的影响。
例如最近提出的“商图像”方法[2,3],取得了较好的实验结果。
3)以抽取不同光照条件下不敏感特征为目标,希望借助这些特征达到较高的识别率。
文中致力于第3种方法的研究。
Chen ,Belhumeur 与Jacobs [4]曾使用概率方法给出图像梯度的概率分布,分析表明图像梯度的方向对光照方向的变化不敏感。
使用这种分布,他们提出了一种图像的光照不敏感度量,并在人脸识别问题上进行了测试。
但是用图像的梯度来表征人脸图像,会丢掉一部分有用信息。
近年来,由于G abor 特征自身良好的生物学背景和对光照变化的不敏感性,被广泛应用于光照变化条件下的人脸识别[5,6]。
作者在此基础上,提出一种新的G abor 镜像特征。
和普通G abor 特征相比,其对光照变化具有更好的鲁棒性和更高的目标识别率。
1 G abor 镜像特征的提取G abor 镜像特征的提取是建立在镜像变换基础上的。
即首先对原图像进行镜像变换;然后根据图像奇偶分解原理[7],分别得到镜像奇、偶样本;最后根据选定的G abor 核函数分别对镜像奇、偶样本提取G abor 特征,即可得到G abor 镜像特征。
显然,这里的G abor 镜像特征包括G abor 镜像奇特征和G abor 镜像偶特征。
下面具体叙述。
设人脸图像样本为A ck ,维数大小是m ×n 。
则镜像变换矩阵M 取单位反对角矩阵,大小为n ×n 。
通过镜像变换矩阵,可以方便的实现原始矩阵元素的翻转。
具体公式为A ～ck =A ck M(1)式中,A ～ck 为镜像变换后得到的镜像样本。
在此基础上根据图像奇偶分解原理,可以得到奇、偶镜像样本A o ck 和A e ck 。
计算式为A e ck =A ck +A ～ck /2(2)A o ck =A ck -A ～ck /2(3) 在奇偶镜像样本上,应用G abor 滤波器分别提取特征,则可以得到G abor 镜像特征。
这里的G abor 特征取常用的幅值特征。
采用的G abor 核函数定义形式为ψω,θk (x ,y )=12πσ2exp [-(x 2+y 2)/(2σ2)]・exp [i ω(x cos θk +y sin θk )](4)式中,ω和θk 分别为正弦波的中心频率和方向,θk 定义为θk =πn(k -1) k =1,2,…,n (5)这里,k 定义了滤波器的方向个数,σ决定了高斯包络在空间的扩展是均衡的。
令I (x ,y )代表样本图像,则G abor 特征可由式(6)求得。
C ψI (x ,y ,ω,θk )=|I (x ,y )3ψω,θk(x ,y )|(6)式中,“3”表示卷积操作;C ψI (x ,y ,ω,θk )表示特定的(ω,θk )所对应的卷积结果;・代表常用的G abor 幅值特征。
选用3组ω值和8个θk 值,即在式(5)中n =8,这样共有24组参数设置。
当给定一组ω和θk 时,就得到图像I (x ,y )的多层次G abor 特征表示。
2 G abor 镜像特征鉴别能力的分析一般的,衡量特征矢量的鉴别能力可以应用经典的Fisher 准则,即一种特征矢量如果类间散布程度与类内散布程度之比越大,则该特征矢量的类别表征能力越强。
但是,最近文献[8,9]从实验和理论上指出,Fisher 值并不是衡量特征矢量鉴别能力的唯一标准,特征矢量中各分量之间的相关性也是一个方面。
即各分量之间的相关性越小,其特征冗余度越小,那么这样的特征矢量包含的有用特征信息越多,类别表征能力21 武 汉 理 工 大 学 学 报 2010年8月也会相应的增强。
而对于G abor 特征来讲,相关性的考察尤为重要。
因为G abor 特征本质上是通过对样本图像中同一个样本点上得到的多层次特征来描述,这样虽然可以提高样本的鲁棒性,但也增加了特征的冗余度。
在某些特定应用中,还需要对各分量间的特征冗余进行控制[10]。
因此,对镜像G abor 特征的鉴别能力从Fisher 值和相关性2个方面进行分析考察。
分析是在YaleB 人脸库中进行的,共有10类样本,样本图像的大小为32×32。
根据光源方位角和高度角的大小划分成4个子集,具体的子集划分方法详见文献[11],其中子集1中每类人的样本数为7,子集2中为12,子集3和子集4中分别为12和14。
2.1 Fisher 值对于Fisher 值的计算可以采用如下公式J =S bS w(7)式中,S b 是类间矩;S w 为类内矩。
具体的计算式为S w =∑C i =1P i S i (8)S b =∑C i =1P i (m i -m )(m i -m )T (9)这里S i =∑x ∈C (x -m i )(x -m i )T (i =1,2,…,C )(10)m i =1K ∑Kj =1x j (j =1,2,…,K )(11)式中,P i 是先验概率;m i 是C i 类的均值;m 是所有样本的均值。
在YaleB 人脸库第2子集到第4子集上,将原始G abor 特征(O 2G abor )、G abor 镜像奇特征(MO 2G abor )和G abor 镜像偶特征(M E 2G abor )的Fisher 值进行了对比。