快速模板匹配方法及其在眉毛识别中的应用

发布时间：2017-04-07 23:23

  本文关键词：快速模板匹配方法及其在眉毛识别中的应用，由笔耕文化传播整理发布。

【摘要】：模板匹配是机器视觉、图像和视频处理中一个基本的问题,即如何在给定图像里找出模板,其相关方法在生产质量控制、纹理合成、运动估计、物体检测、行为识别和图像降噪等各个方面,都有广泛地应用。然而,要设计出更好的快速模板匹配方法,仍是一项极富挑战性的工作。为此,本文对快速模板匹配方法进行了系统而深入的研究,并将它们应用到眉毛识别中。眉毛识别的基本思想是:人类眉毛可以作为一种独立的生物特征,以很高的概率确定出个人身份。它可以在虹膜采集困难时替代虹膜识别,或在人脸鼻子及以下部分被遮挡时替代人脸识别。但以往的眉毛识别方法均需要人为参与,且识别正确率低。将快速模板匹配方法应用到眉毛识别,可以实现识别方法的自动化,同时也利于提高识别的正确率。本文的主要创新研究成果有以下几个方面:(1)提出了一种快速正交Haar变换模板匹配算法虽然正交Haar变换模板匹配算法(OHT)使用图像的条形和获得了不错的表现,但它在计算每个Haar投影值时,仍需要3次运算。为此,通过建立正交Haar变换的严谨数学模型,本文借助方形和的概念,提出了一种快速正交Haar变换模板匹配算法(FOHT)。它使得每个Haar投影值的计算量由3次减法运算减少为1次,从而获得了更快的匹配速度。大量实验结果表明,在多数单模板匹配情况下,FOHT的匹配速度与OHT不相上下;而在多模板匹配时,FOHT的匹配速度总要快于OHT。(2)提出了一种拟Haar变换模板匹配算法由于OHT和FOHT要求被处理的模板必须是标准大小的,而实际应用中的模板多为任意尺寸,因此有必要将正交Haar变换发展成为拟Haar变换。同样建立了拟Haar变换的严谨数学模型,本文利用树分解的计算策略,使图像拟Haar投影值的计算量约减少为直接计算时的一半,并据此提出了一种拟Haar变换模板匹配算法(QHT)。大量实验表明,QHT能够以较高的效率直接处理任意大小的模板;并且某些情况下,它在处理标准模板时拥有比OHT更快的速度。(3)提出了一种新颖的匹配识别框架思想传统检测识别框架下的眉毛识别方法都需要人的参与,这给识别带来了不确定因素。为此本文提出一种新颖的匹配识别框架思想,它首先匹配出模板的最相似区域,然后通过判别距离的计算得出最终识别结果。大量实验表明,该框架能实现自动化程度较高的眉毛识别系统,同时实验也展现了眉毛识别替代人脸识别的可行性。此外,该匹配识别框架是一种通用的自动图像识别框架,它只需要替换眉毛模板,便能被用于其他基于图像的生物特征识别中。(4)提出了四种基于快速模板匹配的眉毛识别方法为了进一步提高眉毛识别的正确率和效率,本文将OHT、FOHT、QHT,以及梯度模板匹配算法(GTM)应用到眉毛识别中,分别得到四种新的眉毛识别方法。实验表明,这些眉毛识别方法的识别效率都很高,而且使用GTM的眉毛识别方法,在公开的BJUTED眉毛数据库上取得了98.12%的识别正确率,这是目前为止在该数据库上所取得的最高识别正确率。
【关键词】：模板匹配 眉毛识别 正交Haar变换 拟Haar变换 匹配识别框架
【学位授予单位】：北京工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-29
• 1.1 研究背景和意义11-14
• 1.2 国内外相关研究综述14-25
• 1.2.1 模板匹配方法14-23
• 1.2.2 眉毛识别方法23-25
• 1.3 本文主要研究内容与论文组织结构25-29
• 第2章 快速正交Haar变换模板匹配算法29-53
• 2.1 图像的Haar投影值29-33
• 2.2 Haar投影值的快速计算33-37
• 2.2.1 积分图方法33
• 2.2.2 条形和方法33-35
• 2.2.3 方形和方法35-37
• 2.3 快速正交Haar变换模板匹配算法37-41
• 2.3.1 正交Haar变换的下界函数37-38
• 2.3.2 正交Haar变换模板匹配算法38-39
• 2.3.3 快速正交Haar变换模板匹配算法39-41
• 2.4 实验结果41-50
• 2.4.1 原始图像的匹配实验42-43
• 2.4.2 噪声图像的匹配实验43-44
• 2.4.3 模糊图像的匹配实验44-45
• 2.4.4 压缩图像的匹配实验45-46
• 2.4.5 多模板匹配实验46-48
• 2.4.6 实验结果分析48-50
• 2.5 本章小结50-53
• 第3章 拟Haar变换模板匹配算法53-71
• 3.1 拟Haar变换53-58
• 3.2 树分解的快速计算策略58-62
• 3.3 拟Haar变换模板匹配算法62-63
• 3.4 实验结果63-70
• 3.4.1 标准模板的匹配实验64-67
• 3.4.2 非标准模板的匹配实验67-70
• 3.5 本章小结70-71
• 第4章 匹配识别框架及自动眉毛识别71-91
• 4.1 检测识别框架下的眉毛识别方法71-74
• 4.2 匹配识别框架74-76
• 4.3 匹配识别框架的自动眉毛识别应用76-81
• 4.3.1 BJUTED眉毛数据库77-78
• 4.3.2 图像归一化78-79
• 4.3.3 傅里叶频谱距离79-81
• 4.4 实验结果81-89
• 4.4.1 频谱参数D的选择82-83
• 4.4.2 匹配识别框架下的眉毛可区分性实验83-85
• 4.4.3 匹配识别框架下的眉毛识别实验85-86
• 4.4.4 Color FERET人脸数据库下的对比实验86-89
• 4.5 本章小结89-91
• 第5章 基于快速模板匹配的眉毛识别方法91-111
• 5.1 正交Haar及拟Haar变换的眉毛识别应用91-95
• 5.1.1 最大标准子模板的选取方法92-93
• 5.1.2 阈值自适应设置方法93
• 5.1.3 基于正交Haar变换的眉毛识别方法93-94
• 5.1.4 基于拟Haar变换的眉毛识别方法94-95
• 5.2 梯度模板匹配算法的眉毛识别应用95-99
• 5.2.1 图像平滑处理96-97
• 5.2.2 图像梯度的计算97-98
• 5.2.3 梯度量化及梯度匹配结果的调整98-99
• 5.2.4 基于梯度匹配的眉毛识别方法99
• 5.3 实验结果99-108
• 5.3.1 正交Haar及拟Haar变换的眉毛识别实验101-102
• 5.3.2 基于梯度匹配的眉毛识别方法实验102-106
• 5.3.3 BJUTED眉毛数据库上的对比实验106-108
• 5.4 本章小结108-111
• 结论111-113
• 参考 文献113-121
• 攻读博士学位期间所发表的学术论文121-123
• 致谢123

【参考文献】

中国期刊全文数据库 前10条

1 李玉擰;白洁;;基于分水岭和K-均值的半自动眉毛图像分割[J];北京工业大学学报;2012年07期

2 李玉擰;谢欢曦;周艺华;;基于2DPCA的眉毛识别方法研究[J];武汉大学学报(理学版);2011年06期

3 李玉擰;张夏欢;张晨光;;半自动眉毛识别方法[J];计算机工程与应用;2011年31期

4 贾楷熙;薛静;;基于Zernike矩和BP网络的步态识别技术研究[J];西北工业大学学报;2010年05期

5 查峰;达飞鹏;;基于SIFT特征的3D人耳识别方法[J];东南大学学报(自然科学版);2010年S1期

6 李厚君;李玉擰;;基于AdaBoost的眉毛检测与定位[J];计算机与数字工程;2010年08期

7 李玉擰;王利娟;;基于PCA的眉毛识别方法研究[J];计算机工程与科学;2008年11期

8 李玉擰;李星立;;基于离散HMM的眉毛识别方法研究[J];中国图象图形学报;2008年08期

9 李玉擰;付翠花;;一种基于特征串比较的眉毛识别方法[J];北京工业大学学报;2008年01期

10 薛召军;李佳;明东;万柏坤;;基于支持向量机的步态识别新方法[J];天津大学学报;2007年01期

  本文关键词：快速模板匹配方法及其在眉毛识别中的应用，，由笔耕文化传播整理发布。

本文编号：291585