Gabor小波特征提取技術(shù)及其在目標識別中的應(yīng)用研究.pdf

1、目標識別是計算機視覺領(lǐng)域中非常活躍的一個研究方向，在圖像、生物、工業(yè)等民用領(lǐng)域及軍事領(lǐng)域中有著廣泛的應(yīng)用，其中以目標特征的提取為難點與重點。本文研究的目的是提高Gabor目標識別算法的魯棒性，降低負面因素對識別效果的影響。 首先介紹了常用的分類規(guī)則，分析了人工神經(jīng)網(wǎng)絡(luò)以及BP算法的優(yōu)缺點。給出了一種變步長學(xué)習(xí)速率的改進方法，優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)，為后文的識別研究提供了較好的分類器支持。 對目標識別的前期工作進行了研究。通過

2、預(yù)處理，提取了良好的目標樣本。針對目標的旋轉(zhuǎn)模糊，利用一種最小代價函數(shù)并通過鄰域知識引導(dǎo)進行恢復(fù)；針對目標的尺度、平移及對比度差的情況，通過圖像的標準化進行解決。 其次，研究Gabor濾波器的參數(shù)優(yōu)化問題。分析了兩種Gabor濾波器參數(shù)選擇方法，針對傳統(tǒng)Gabor濾波器提取的目標特征信息冗余度大，結(jié)合散布矩陣理論進行了參數(shù)的優(yōu)化，得到性能最優(yōu)的濾波器組；確定了提取邊緣特征的最佳單Gabor濾波器參數(shù)。 再次，針對傳統(tǒng)Ga

3、bor特征提取算法造成的維數(shù)災(zāi)難問題，結(jié)合模板匹配思想提出了一種將目標圖像分層分塊處理并提取Gabor特征的方法。改進了提取的Gabor特征，進一步提高了算法對目標亮度和對比度變化的適應(yīng)性。通過標準化的Yale人臉庫和自制的目標樣本庫，利用Matlab編程進行實驗，實驗結(jié)果表明算法具有較高的適用性和魯棒性。 最后，針對目標多姿態(tài)問題進行了研究。對矩技術(shù)進行研究，改進了傳統(tǒng)矩特征，提高其表征多姿態(tài)目標的穩(wěn)定性。分別采用一種動態(tài)鏈接