[发明专利]一种复杂光照下图像特征提取方法

说明书

本发明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。

技术领域

本发明属于图像处理技术领域，具体涉及一种复杂光照下图像特征提取方法。

背景技术

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，2D PCA，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。