一种复杂光照下图像特征提取方法技术

本发明专利技术公开了一种复杂光照下图像特征提取方法，利用改进的集变尺度、变角度为一体的具有方向敏感性的各向异性LOG算子来计算其差分激励分量；同时，比较以中心像素对称的像素对的灰度值，并基于韦伯准则实现其阈值的自适应选取，最后融合生成二维AWASTP直方图，并进一步转化为一维直方图，从而利用KNN算法进行分类，通过比较与中心像素相邻，且关于中心像素对称的像素对的灰度值来减少特征维数，使得阈值的选取根据图像的区域特性而相应改变，有效地提取出了更具鉴别能力的特征，提高了复杂光照图像的识别率，本方法简单，能够提取出更多的纹理信息和多个方向的梯度信息，从而更好地描述复杂光照图像的特征，性能优于其他现有算法。

【技术实现步骤摘要】
一种复杂光照下图像特征提取方法
本专利技术属于图像处理
，具体涉及一种复杂光照下图像特征提取方法。
技术介绍
随着模式识别、人工智能的出现和快速发展，图像特征提取技术已然成为计算机视觉领域的研究热点，已广泛应用于生物识别、目标检测、图像检索以及车牌识别等领域。然而，在现实生活中，由于受到光照不足、光照不均匀、光照变化剧烈或光照过强等复杂光照情况的影响，获取到的图像易出现局部细节丢失严重，噪声大，所能获取到的信息量少的问题，给计算机智能识别技术带来了很严重的偏差错误，本文就复杂光照下人脸图像和纹理图像的特征提取算法进行深入探究。根据特征提取区域的大小可将特征分为全局特征和局部特征。全局特征通常从整个图像生成统计信息普遍模板，突出样本间的差异性。这一类的典型方法是主成分分析(PCA)。之后，国内外有关学者相继提出了许多改进的主成分分析算法，2DPCA，IPCA，PCA-CFEA和PCA-SC。一些代表性算法还包含ICA[，LDA，SVD，KSVD等。全局特征提取虽然能展现图像的主要特征，但由于没有考虑局部特征，对于局部细节丢失严重、噪声较为明显的复杂光照图像来说，其特征提取效果很糟。因此，局部特征提取算法逐渐引起了人们的高度重视和深入探究。局部特征使用像素比较编码规则来表征图像局部信息，通过将图像分成若干个部分分别进行处理，然后按照一定的顺序将各个部分的特征组合起来用于图像的表述，不仅保留了图像各部分之间的拓扑关系，而且还保留了各部分本身的信息。由于局部特征对旋转、平移、光照和方向具有不变性，因此较全局特征具有更高的稳定性和识别率。局部特征提取算法主要包括局部图形结构(LGS)，尺度不变特征变换(SIFT)，局部相位量化(LPQ)，局部导数模式(LDP)，加权局部Gabor(LG)，局部Gabor二值模式(LGBP)，局部差分二进制(LDB)，局部线性方向模式(LLDP)，局部二值模式(LBP)，局部三值模式(LTP)和韦伯局部描述符(WLD)等。局部特征描述符对图像局部区域的变化具有更强的稳定性和鲁棒性，如面部表情、姿势的不同以及局部遮挡、复杂光照。近年来，LTP和WLD是局部特征描述符中最具代表性、稳定性最高的方法。TanX等基于局部二值模式(LBP)提出了对光照变化不敏感的局部三值模式(LTP)，该算子具有极强的噪声判别能力和光照、噪声鲁棒性，较LBP直方图维数显著较低。然而，LTP算子存在阈值随数据和实验环境的不同会发生相应变化，从而导致算法的执行时间增加且效率降低的问题。针对此问题，现有方法利用局部区域的像素均值和标准差自动计算阈值的算法LATP(LocalAdaptedTernaryPattern)，使得算法的光照和噪声鲁棒性在一定程度上得到了增强。将编码阈值设定为邻域像素均值的加权值，提出了基于LTP的局部改进描述符LTCD。将图像样本邻域对比度的标准差设为当前邻域的阈值，极大地增强了算法的抗噪性，具有良好的实时性。事实上，人类对图像的感知不仅取决于绝对刺激强度，而且依赖于相对刺激的大小。基于此，源于韦伯准则的韦伯局部描述符(WLD)被提出，该算法采用差分激励(DifferentialExcitation)和梯度方向(Orientation)这两个分量来描述图像的局部特征。然而，WLD不能充分利用对光照变化和噪声等影响因素敏感的像素强度。因此，提出了一种韦伯局部二值模式，即用高斯拉普拉斯算子代替WLD差分激励中的拉普拉斯算子，同时用LBP算子代替WLD算子中的梯度方向，达到了对时间、面部表情、光照、姿势、噪音鲁棒的效果；利用非线性量化方法来计算WLD算子中的差分激励和梯度信息，同时提出多尺度WLD描述符(Multi-ScaleWeberLocalDescriptors，WLDs)和多层次信息融合的框架，达到了更好的图像特征辨识能力；对图像进行分块处理，并用Prewitt算子替换原始WLD的梯度方向算子，该算法对表情、光照变化等具有较强的鲁棒性。一般来说，组合方法总是能表现出优越的能力。一种称为韦伯局部二进制模式(WLBP)的局部描述符，有效地结合了WLD和LBP的优点。将WLD算子的差分激励改用高斯差分算子(DoG)来计算，梯度方向部分改用OSLGS算子，提出了正交对称局部韦伯图结构(OrthogonalSymmetricLocalWeberGraphStructure，OSLWGS)。丰富的实验表明，LTP和WLD算子在图像特征提取方面的表现优于其他最先进的描述符，但仍存在一些缺陷。LTP由于其特征空间维数较高，存在样本受限的问题；同时，该算子阈值无法自适应选取，导致其执行时间增加，性能下降。另一方面，WLD仅仅考虑水平和垂直方向上的灰度变化，不能充分反映局部窗内灰度变化的空间分布结构信息，难以体现图像的内在特征。此外，WLD通过中心像素值和周围像素之间的差的和计算差分激励，导致局部窗内灰度变化的正负差值可能相互抵消，灰度变化信息无法充分体现。如图1为高频、中频和低频三种模式，三者的差分激励和梯度方向均为零，WLD算子无法区分这样的纹理差异，因此限制了WLD的性能。因此，WLD算子在具有方向性差异的场合中局部纹理区分能力不足和LTP算子在描述图像特征时直方图维数过高、阈值不能自适应选取存在缺陷。
技术实现思路
本专利技术的目的在于提供复杂光照下图像特征提取技术研究，以克服现有技术的不足。为达到上述目的，本专利技术采用如下技术方案：一种复杂光照下图像特征提取方法，包括以下步骤：首先对目标图像进行分块，然后对分块后的图像进行预处理，利用各向异性LOG算子计算预处理后的各图像分块的差分激励分量，同时利用自适应对称三值模式ASTP计算预处理后的各图像分块的梯度方向分量；然后将各向异性LOG算子所得到的差分激励图像分别与自适应对称三值模式ASTP计算后的梯度方向正值图像、梯度方向负值图像进行融合得到两个二维AWASTP直方图，并将得到的两个二维AWASTP直方图转化为两个一维直方图，然后将两个一维直方图连接起来得到最终的直方图向量，最后将每个子块的直方图连接起来，利用KNN算法基于卡方距离进行分类，最后得到识别结果，完成图像特征提取。进一步的，具体的预处理包括灰度处理和分辨率处理。进一步的，预处理包括图像尺寸的归一化为128*128以及彩色图像的灰度化。进一步的，利用公式(2)和公式(4)计算每块图像的差分激励分量；其中xc为目标像素点，xi为xc的第i个临近像素点，P为xc邻域像素点的总个数，Δx为xc与其邻接像素点xi的灰度差值；Δxi＝(xi-xc)易知，式(2)中的Δx为一个二阶拉普拉斯算子，在图像f中可表示为：各向异性二阶拉普拉斯算子ΔI的计算过程如下：ΔI＝LOG*f(x,y)(4)。进一步的，具体的，各向异性LOG算子计算公式如下：二维高斯函数G(x,y)定义如式(5)：其中δ为高斯函数的空间分布系数；对函数G(x,y)取二阶拉普拉斯变换，得二维LOG算子的函数形式如下：为了能使δ的取值对x方向与y方向产生的影响不同，在水平和垂直方向上采取不同尺度，将x方向的δ记为δx，y方向的δ记为δy，则二维高斯函数计算过程如下：对式(7)进行拉氏变换可得具有变尺度特性的LOG边缘检测算子：将本文档来自技高网...

【技术保护点】
1.一种复杂光照下图像特征提取方法，其特征在于，包括以下步骤：首先对目标图像进行分块，然后对分块后的图像进行预处理，利用各向异性LOG算子计算预处理后的各图像分块的差分激励分量，同时利用自适应对称三值模式ASTP计算预处理后的各图像分块的梯度方向分量；然后将各向异性LOG算子所得到的差分激励图像分别与自适应对称三值模式ASTP计算后的梯度方向正值图像、梯度方向负值图像进行融合得到两个二维AWASTP直方图，并将得到的两个二维AWASTP直方图转化为两个一维直方图，然后将两个一维直方图连接起来得到最终的直方图向量，最后将每个子块的直方图连接起来，利用KNN算法基于卡方距离进行分类，最后得到识别结果，完成图像特征提取。

【技术特征摘要】
1.一种复杂光照下图像特征提取方法，其特征在于，包括以下步骤：首先对目标图像进行分块，然后对分块后的图像进行预处理，利用各向异性LOG算子计算预处理后的各图像分块的差分激励分量，同时利用自适应对称三值模式ASTP计算预处理后的各图像分块的梯度方向分量；然后将各向异性LOG算子所得到的差分激励图像分别与自适应对称三值模式ASTP计算后的梯度方向正值图像、梯度方向负值图像进行融合得到两个二维AWASTP直方图，并将得到的两个二维AWASTP直方图转化为两个一维直方图，然后将两个一维直方图连接起来得到最终的直方图向量，最后将每个子块的直方图连接起来，利用KNN算法基于卡方距离进行分类，最后得到识别结果，完成图像特征提取。2.根据权利要求1所述的一种复杂光照下图像特征提取方法，其特征在于，具体的预处理包括灰度处理和分辨率处理。3.根据权利要求2所述的一种复杂光照下图像特征提取方法，其特征在于，具体预处理包括图像尺寸的归一化为128*128以及彩色图像的灰度化。4.根据权利要求1所述的一种复杂光照下图像特征提取方法，其特征在于，利用公式(2)和公式(4)计算每块图像的差分激励分量；其中xc为目标像素点，xi为xc的第i个临近像素点，P为xc邻域像素点的总个数，Δx为xc与其邻接像素点xi的灰度差值；Δxi＝(xi-xc)易知，式(2)中的Δx为一个二阶拉普拉斯算子，在图像f中可表示为：各向异性二阶拉普拉斯算子ΔI的计算过程如下：ΔI＝LOG*f(x,y)(4)。5.根据权利要求4所述的一种复杂光照下图像特征提取方法，其特征在于，具体的，各向异性LOG算子计算公式如下：二维高斯函数G(x,y)定义如式(5)：其中δ为高斯函数的空间分布系数；对函数G(x,y)取二阶拉普拉斯变换，得二维LOG算子的函数形式如下：为了能使δ的取值对x方向与y方向产生的影响不同，在水平和垂直方向上采取不同尺度，将x方向的δ记为δx，y方向的δ记为δy，则二维高斯函数计算过程如下：对式(7)进行拉氏变换...

【专利技术属性】
技术研发人员：高涛，李思，陈婷，刘占文，梁闪，曹金沛，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61