摘要
人们在感知世界时，视觉是最重要的一部分，而视觉又是基于图像的。对于一副包含了丰富信息的图像，研究学者们的关注重点是如何从众多图像信息中提取出那些对计算机视觉任务最有用的特征。因此，图像特征提取就成为了计算机视觉任务中极为关键的环节。 基于手工设计的方法和基于深度学习的方法是特征提取中的两大分支领域。其中，手工方法通过人类的视觉特性去探索图像中的规律，并设计出具有特殊含义的特征。本论文主要针对手工方法中的局部二值模式(Localbinarypattern,LBP)进行相关研究。现有基于LBP的方法只能在旋转变换下保持稳定的分类性能。对于尺度变换，大部分方法采用串联多个LBP直方图的方式，不能取得良好的性能。为了解决这个问题，本文提出了一个具有理想几何不变性的方法。同时，考虑到大部分基于LBP的方法都以灰度图像作为输入图像，造成了彩色图像中区别于灰度图像的独特信息被忽略。因此，本文还提出了一种基于颜色的LBP方法。具体研究内容如下： 1.提出了一种基于跨尺度共生局部二值模式的图像识别方法(CS-CoLBP)，采用LBP共生空间去捕捉尺度变换中保持稳定的跨尺度共生对，以提升特征的尺度不变能力。然后提出旋转一致性调整策略去调整这些跨尺度共生对，获得具有尺度不变能力和旋转不变能力的特征。最后选择SVM分类器进行分类。实验结果表明，本文所提出的方法有效地提升了特征在图像几何变换下的分类性能。在噪声攻击、调整大小攻击以及JPEG压缩攻击这三种攻击下也保持了稳定的性能。 2.提出了一种基于学习的颜色局部二值模式的图像识别方法(LCLBP)。基于每幅输入图像的RGB颜色空间，构造了颜色视差空间(CDS)，以捕捉R、G，B三个通道之间的颜色差异信息。提出了一个多通道编码策略，用于融合RGB颜色空间和CDS视差空间中的互补信息。然后采用特征学习策略进一步降低提取到的特征的维度。最后采用SVM得到分类结果。相关理论证明，本文所提出的方法在不同的光照条件下都具有鲁棒性。
NETL