一种新的直线特征提取方法.docx

一种新的直线特征提取方法 1 特征提取与选择 20世纪60年代初，这种评估体系迅速发展。一般说来,模式识别问题指的是对一系列过程或事件的分类与描述。现在,模式识别主要是指用计算机的方法来模拟和实现人对各种事物或现像的分析、描述、判断和识别能力。大部分模式识别系统的组成如图1所示。 图1中,特征提取与选择是模式识别系统的关键环节,关系到系统最终识别效果的好坏。特征提取和选择的基本任务是从众多的特征中找出一组对分类最有效的特征,也就是把高维特征空间变换为低维特征空间,以便有效地设计分类器。由于在很多实际问题中常常不容易找到那些最有效的特征,这就使特征提取和选择成为模式识别系统中最困难的任务之一,越来越受到人们的重视。特征提取和选择常用的方法有欧氏距离法、概率距离法、统计距离法、统计值方法、基于判别熵最小法、散度准则法等。下面着重介绍点、线、面的特征提取。 2 快速边界跟踪法 点特征主要是指角点和局部轮廓插值点(统称为代表点)。费旭东提出了一种利用模式识别知识通过查表的方法从链码中提出角点的方法。其主要思想是:对链码中的每一个点,连同其前后一定范围内的若干个链码点一起进行考察,根据这一小段链码的情况,查一张事先造好的查找表,就可以判定该点是不是角点。得到角点后还可以进一步考察两个相邻的角点在必要的地方插入局部轮廓的插值点作为补充,以提高拟合精度。文献的研究和测试表明,这种方法能够实现实时提取高质量的代表点,是一种较好的点特征提取方法。吴宇岚提出了一种快速边界跟踪法,对二值图中的边界跟踪可得到其链码表示,且对内、外边界进行跟踪时,跟踪方向相反,以利于后续处理时加以区分。文献提出了一种图像上的特征角点(如眼角,嘴角等)的方法,其主要思想是:首先利用角点检测方法提取图像中的角点,然后通过Zernike矩和神经网络对它们进行筛选,从而达到自动提取图像上特征角点的目的。下面以文献中提出的方法来分析人脸特征点提取的方法,提取人脸的合适特征是进行正确识别的关键。就一般情况而言,用于识别人脸特征分为几何特征和代数特征两大类。这两类特征提取方法在人脸识别的研究中都取得了较好的成果,特别是对人脸几何特征的提取。由于模式识别方面问题本身的复杂性,在一般背景的图像中获得这些有用的特征点是较为困难的,所以以往在这方面的研究通常仅针对于一些特定的人脸图像(即要求被识别的人脸所处图像背景单一,人脸在图像中的大小适中等)。这样的要求在很大程度上限制了此类方法的应用场合,它们通常都没有利用或较少利用了人脸的这类模式所具有的大量的先验知识。观察人类对某类模式的识别过程,发现我们总是自觉或不自觉地在其中运用了大量先验知识的成分。同样可以想到,如果在提取某类模式的特征时仅从图像本身入手而不考虑有关待识别模式先验知识的了解,则不太可能得到满意的结果。下面分析正是从这样的观点出发,提出了一种提取人脸图像几何特征的新方法,它的主要思路是首先用角点提取方法获得图像中的一些角点的特征,然后将以角点为中心的某一区域内图像的Zernike矩同BP神经网络相结合,用以筛选人脸上的重要特征点。它能够在中等复杂背景的图像中过滤大部分无用的角点而保留住有用的特征角点,如果再结合这些特征点之间的约束关系,则可以较好的完成识别任务。 2.1 旋转不变性的表现 Zernike矩所利用的正交多项式集是一在单位圆内的完备正交集,若要计算给定图像的Zernike矩,必须首先将坐标原点移至图像的中心且将图像的像素坐标映射到单位圆内,散落于单位圆外的像素则不予考验。在这里应注意到A*nm=An,-m,A*nm为Anm的共轭。若设某图像的Zernike矩为Anm,在经过角度为φ的图像平面内旋转之后,其Zernike矩是A′nm,则二者的关系为A′nm=Ae-jmΦnme?jmΦnm,因此可以说Zernike矩的模是不随图像旋转而发生变化的,即具有旋转不变性。表1中列出了从0到7阶的Zernike矩和它们的数量,在识别时正是利用这些矩所组成的一个特征向量对目标进行分类的。 2.2 神经网络的训练 利用文献提出的边缘提取方法检测图像中较为重要的边缘,其优点是在提取图像边缘时无须对其进行卷积,这样就避免了边缘的偏移。之后,采用文献中的部分算法检测图像中的角点,利用较重要边缘与这些角点的交集可获得候选的特征角点位置。 在获得这些候选角点之后,先计算以每个角点为中心,以r为半径的一个圆形小区域的Zernike矩(事先设定其阶数,这里选用了7阶Zernike矩),向量(1,A00,A11,A20A22,…,A71A73A75A77)作为训练样本对BP神经网络进行训练,然后将由不同阶的矩所组成某点的特征向量送入训练好的神经网络,以判断该点是否可能属于不同类别的n类特征点的集合。 在实验中选取较为稳定的眼角和鼻角为初始点,然