【摘要】：近幾年,人臉識別和視頻監(jiān)督等應用受到了人們的巨大關注,但是由于受到圖像獲取裝置與物體之間相對運動、鏡頭散焦或者大氣湍流等因素的影響,通常會獲得大量模糊的圖像。常見的人工構(gòu)造的視覺描述子,如LBP、HOG等,屬于模糊敏感的描述子。盡管現(xiàn)階段已經(jīng)提出一些模糊不敏感的描述子,例如LPQ、不變矩等,但這些描述子大都基于中心對稱假設來構(gòu)造的。由于現(xiàn)實中的模糊大都不滿足中心對稱假設,這些描述子的識別性能迅速下降。首先,論文提出一種基于遷移學習機制的模糊圖像識別算法,該方法將具有標簽信息的清晰圖像集作為源域,將待識別的模糊圖像集作為目標域。因為常見的視覺描述子都不具有完全的模糊不變性,兩個域在特征空間中具有很大的分布差異。論文通過子空間對齊的方法使得兩個域更加接近,構(gòu)造更魯棒的分類器。其次,論文提出一種基于測度學習的遷移學習算法,該方法充分利用清晰圖像的標簽信息,構(gòu)建表達能力更強的源子空間,同時提出一種新的子空間對齊算法。然后,論文提出一種基于低秩分解的遷移學習技術(shù),使用多級低秩分解后的平均稀疏成份作為兩個域的新的特征表達,在新的特征空間進行子空間建立和對齊,提升多模糊情況下的模糊圖像識別能力。最后,論文研究深度學習卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)提取的特征在模糊情況下的域不變性,利用VGG-16網(wǎng)絡進行特征提取,并使用線性SVM進行分類。論文在人臉、紋理、場景三類數(shù)據(jù)庫上進行實驗,驗證模糊域圖像分別存在單模糊類型和多模糊類型時各類方法的有效性。實驗結(jié)果表明,三類遷移學習技術(shù)在各種情況下都取得了較好的識別結(jié)果。同時卷積神經(jīng)網(wǎng)絡特征相較于普通的視覺描述子具有較高的模糊域不變性。
[Abstract]:......
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【參考文獻】

相關碩士學位論文 前2條

1 龐濤;運動模糊圖像的模糊核估計及圖像恢復[D];西南大學;2011年

2 王婷;退化圖像的復原改進算法研究與實現(xiàn)[D];哈爾濱工程大學;2007年

，

本文編號：2490125