目標魯棒識別的抗旋轉HDO局部特徵描述

最新 06-15

局部特徵描述在圖像目標檢測和識別中應用廣泛，在過去二十年里，研究人員提出了大量的局部特徵描述運算元。為了處理圖像中存在的尺度、光照、對比度、旋轉等變化，通常要求特徵描述需具備光照、尺度和旋轉不變性等。具有光照、尺度和旋轉不變性的著名的有SIFT和SURF運算元，但是其構造過程相對比較複雜，計算量大。

影響因素

從已有文獻分析，我們認為影響特徵描述的旋轉不變性的因素主要來自特徵提取和池化操作兩個方面，一是像素微觀鄰域提取局部特徵以及在局部子空間內進行特徵池化操作時，要具備旋轉不變性；二是在圖像整體空間池化操作時也應具有旋轉不變性。只有同時滿足這兩個方面的旋轉不變性，才能建立具有旋轉不變性的圖像局部特徵描述方法。當然，特徵描述具有旋轉不變性，並不能保證該特徵一定具有良好的魯棒識別性能，因此需要考慮在保證鑒別能力的前提下，使特徵描述方法能夠對抗圖像中可能出現的旋轉變換。

方法原理

針對傳統的HDO局部特徵不具備旋轉不變性的缺點，提出一種改進的目標魯棒識別的抗旋轉HDO局部特徵描述方法。

通過引入RGT變換技術，並在構造像素點圓形鄰域中構造結構張量，保證在圖片旋轉的情況下每個像素點的主方向和一致性保持不變，然後求取每個Block子區域的主方向直方圖，再採用環狀扇形分區的空間池化操作，使得到的局部特徵有良好的鑒別能力和抗旋轉變換能力。

演算法設計步驟：

測試結果

在公開的MIT人臉數據集中的測試結果顯示，如果圖片不旋轉，本文方法準確率與傳統的HDO演算法基本持平，達到92.10%，但當樣本圖片旋轉後，本文演算法準確率比傳統HDO演算法高10.36%。此外，在行人數據集、合成的旋轉手掌和旋轉人臉識別實驗中，本文方法的檢測結果也明顯優於傳統的HDO演算法。實驗結果表明，本文提出的HDO特徵描述具有較強的抗旋轉變換性能。另外本文方法在53Objects，ZuBuD和Kentuky三個數據集上的識別性能也優於大部分現有抗旋轉運算元。

本文所設計的演算法，可以用於旋轉人臉、手掌等目標物的檢測與識別。如下面的圖片所示：