圖像局部不變特征提取技術(shù)及其應(yīng)用研究.pdf

1、圖像特征是解決眾多計(jì)算機(jī)視覺問題的基礎(chǔ)，能否提取出那些反映目標(biāo)本質(zhì)屬性的特征參量，是能否成功理解圖像、正確解釋和識(shí)別目標(biāo)的關(guān)鍵。由于局部不變特征針對(duì)圖像平移、旋轉(zhuǎn)、尺度、光照及視點(diǎn)等變換具有不變性，因而在圖像配準(zhǔn)、圖像拼接、圖像檢索、物體識(shí)別、目標(biāo)跟蹤及數(shù)字水印等方面擁有著廣闊的應(yīng)用前景并且得到了高度的重視。
　　 基于視覺不變性理論的局部不變特征提取方法的主要步驟有特征檢測、特征描述和特征匹配。因此，本文的主要工作有:

2、　　 (a)深入分析了視覺不變特征相關(guān)理論基礎(chǔ)，通過對(duì)視覺不變量理論中變換群、特征不變量等數(shù)學(xué)模型的分析，研究局部不變特征的不變性來源。
　　 (b)通過對(duì)角點(diǎn)、斑點(diǎn)和區(qū)域等典型的局部不變特征檢測算子進(jìn)行建模，尤其是詳細(xì)分析了由具備強(qiáng)度和旋轉(zhuǎn)不變的檢測算子到尺度不變的尺度不變檢測算子的構(gòu)建過程，進(jìn)而得出局部不變特征檢測的一般過程。
　　 (c)針對(duì)典型的局部不變特征描述符的構(gòu)建過程進(jìn)行建模，得出局部不變特征描述的一般過

3、程，即區(qū)域檢測和歸一化、圖像特征獲取、權(quán)重分配、描述符構(gòu)建和歸一化等;并指出基于圖像偏微分性質(zhì)的圖像特征和基于特征分布的圖像描述符具備更加魯棒的圖像描述能力。
　　 (d)針對(duì)自相似性描述符僅僅具備較小的局部仿射不變性和非剛體變形不變性等不足，論文提出了幾種新的更加適合于不同計(jì)算機(jī)視覺任務(wù)的自相似性描述符;通過針對(duì)Oxford Affine和VOC2006數(shù)據(jù)集的實(shí)驗(yàn)評(píng)估，驗(yàn)證了論文所提出的幾種自相似性描述符在應(yīng)對(duì)廣義仿射變換時(shí)

4、所具備的良好的穩(wěn)定性和可匹配性，并為不同的計(jì)算機(jī)視覺任務(wù)提供了更多可選的局部不變特征。
　　 (e)在中層圖像特征方面，針對(duì)傳統(tǒng)BOW模型噪聲詞匯存在、詞匯大小長度難以確定等問題，論文通過采用稀疏偏最小二乘SPLS算法針對(duì)初始BOW模型進(jìn)行學(xué)習(xí)訓(xùn)練進(jìn)而產(chǎn)生區(qū)分性更強(qiáng)、維度更小的子空間，并最終僅需10個(gè)隱變量。實(shí)驗(yàn)結(jié)果表明，基于SPLS進(jìn)行傳統(tǒng)BOW模型調(diào)優(yōu)可以獲得更加緊湊、富有表達(dá)能力的高層BOW模型。
　　 論文的主要

5、研究成果和創(chuàng)新點(diǎn)如下:
　　 1、針對(duì)目前LSS描述符的不足，基于內(nèi)在幾何分布的局部自相似性特征，提出了一種新的仿射不變特征提取框架，即基于特征分布的局部自相似性描述符和快速局部自相似性描述符，記為LSS(C)和FLSS(C)。采用基于特征分布的直方圖表達(dá)方法，使得本文提出的LSS(C)和FLSS(C)描述符獲得更佳的幾何變換不變特性。相反，原始的LSS(LP)描述符從每個(gè)圖像區(qū)域格子里面選擇一個(gè)最大的自相似性特征作為該維度的特

6、征值，因而僅僅具備有限的幾何變換不變性。在圖像匹配和對(duì)象類別分類評(píng)估協(xié)議的實(shí)驗(yàn)中，論文提出的LSS(C)和FLSS(C)描述符的性能均超過原始的LSS(LP)描述符，在性能上非常接近于經(jīng)典的SIFT描述符。此外，這兩個(gè)描述符的計(jì)算復(fù)雜度較低，比SIFT簡單快速。
　　 2、提出了利用微分性質(zhì)來解決基于特征分布的LSS(C)和FLSS(C)描述符在光照和壓縮變化時(shí)性能不穩(wěn)定性問題的方法，即基于微分性質(zhì)的局部自相似性描述符(OLSS

7、，C)和簡化局部自相似性描述符(SOLSS，C)。它們建立在LSS(C)和FLSS(C)描述符基礎(chǔ)上，并在建立頻率直方圖的過程中采用了基于梯度方向分箱策略。利用這種方法構(gòu)造的局部不變特征描述符，能夠在幾何不變性基礎(chǔ)之上增加光照不變性，從而更加適應(yīng)圖像的光照和壓縮變化，具有更強(qiáng)的圖像描述能力。大量實(shí)驗(yàn)表明，基于微分性質(zhì)和特征分布而提取的特征量在特征穩(wěn)定性、分類識(shí)別能力和抗噪聲干擾方面具有優(yōu)良的性能，驗(yàn)證了特征提取框架的有效性。
　　

8、 3、提出了兩種基于LSS特征和主成分分析PCA的低維的LSS描述符，即PCA-LSS和PLSS。它們分別通過把PCA應(yīng)用于歸一化特征區(qū)域的LSS特征場和擴(kuò)展的LSS描述符而獲得。 PLSS派生自O(shè)LSS(C)，因而具備與OLSS(C)類似的幾何和光照變換不變性，優(yōu)點(diǎn)是特征維度大大減小，從而更加適合有限內(nèi)存系統(tǒng)或者需要大量運(yùn)算的實(shí)際應(yīng)用。
　　 4、針對(duì)傳統(tǒng)BOW模型噪聲詞匯存在、詞匯大小長度難以確定等問題，論文通過采用稀疏偏