一种基于小波分量变换的人脸图像光照归一化算法

基于小波变换原理,提出一种基于小波分量变换的人脸图像光照归一化算法.人脸图像经过二维离散小波变换(DWT),被分解成4个子分量(LL,HL,LH,HH).将低频分量(LL)进行对数变换和分段线性变换,对高频分量(LH,HL,HH)进行Gamma变换.对所有子分量进行小波逆变换,对经小波重构后的人脸图像进行中值滤波.分别在Yale B和CMU-PIE人脸数据库中对本文算法进行光照归一化有效性试验;对比本文算法与其他22种光照归一化算法的处理时间及处理效果;进行分段线性变换和伽马变换参数比较试验及人脸识别试验.结果表明:本文算法执行速度快,处理效果好,人脸识别率高,适用于不同光照条件的人脸识别系统.

低光照图像特征检测方法

针对如何在低光照图像上提取稳定的特征点的问题,提出一种将图像对数域变换与传统检测方法相结合的特征点检测方法,其核心是基于自适应对数变换的低光照图像预处理方法。针对其中的对数域变换,引入了自适应基底的对数变换,不同信息熵值下采用不同的基底;进一步分析了低光照图像在不同光照程度下的检测效果以及算法的光照鲁棒性。试验验证了推荐方法相对于传统特征点检测方法在信息熵、匹配点对和重复率等方面有了极大的提升,证明了该方法有效提升了低光照图像的特征检测性能。

光照不变量特征提取新方法及其在目标识别中的应用

针对LNSCT光照不变量提取方法因舍弃低频分量而丢失目标轮廓信息的问题,本文提出了一种新的光照不变量提取方法 MLNCST.新方法首先用NSCT将对数域的输入图像进行第一重多尺度分解,实现低频分量和高频分量的分离;其次对高频子带系数进行Bayes Shrink阈值滤波,低频分量做逆NSCT得到其特征图像;然后对特征图像进行第二重NSCT分解,并对分解后的高频子带阈值滤波以及低频分量逆NSCT;经多重NSCT分解,最后由多次分解后的高频子带系数集提取光照不变量特征.经进一步研究光照不变量特征与原始图像之间的关系,设计了并行同步卷积神经网络-Dual Lenet,通过融合两者的高层特征来提高地面目标识别的准确率.实验结果显示,在Lenet模型下,MLNSCT比LNSCT具有更高的分类准确率,并且随着分解重数的增加分类准确率更高;同时融合了光照不变量特征的Dual lenet能进一步提高地面目标识别准确率.