本文關鍵詞：模式識別中光照補償處理算法研究

  更多相關文章： 彩色增強 光照補償 Retinex 模型 卷積神經(jīng)網(wǎng)絡

【摘要】：隨著計算機科學技術的不斷發(fā)展與大數(shù)據(jù)時代的降臨,以及深度學習技術橫空出世,圖像識別技術有了突破性的進展。之前,目標識別尤其是人臉識別系統(tǒng)的性能在很大程度上受到光照條件的影響,科研人員也在這方面有了許多的研究,但是識別效果仍不理想。然而解決復雜光照條件下的目標識別是其通往實用化的至關重要的一步,在此背景下,本文首先基于Retinex模型,提出了改進算法AuReH,其次結合卷積神經(jīng)網(wǎng)絡與光照補償算法AuReH進行研究,提出了端對端的RetiNet模型,實驗表明該模型具有很好的光照魯棒性,能達到較高的識別準確率。本文重點研究復雜場景下光照魯棒的卷積神經(jīng)網(wǎng)絡圖像識別方法,并對傳統(tǒng)的多尺度Retinex彩色增強進行改進,主要工作有以下幾部分:1.傳統(tǒng)的彩色增強算法有許多,包括空間域的圖像增強算法,其中包括灰度變換,直方圖增強,空間濾波等,同時基于頻域方面處理的有頻域平滑濾波與品與銳化濾波。不過自從Land提出Retinex[1]理論后,不同形式的Retinex算法相繼出現(xiàn),對圖像增強領域有重大的貢獻。本文提出了一種基于Retinex理論的自適應算法AuReH,相比于傳統(tǒng)Retinex及其變種,該算法能夠糾正傳統(tǒng)的色偏問題,同時在彩色增強方面有著更好的效果,并對有霧圖像能夠進行自動去霧。2.對于光照對識別率的影響問題,針對了不同圖像應用領域甚至相同圖像領域識別的特征提取困難以及由光照影響造成識別率降低的問題,研究了基于卷積神經(jīng)網(wǎng)絡模型與本文提出的AuReH算法相結合的端對端RetiNet模型。3.設計并實現(xiàn)了跨平臺的卷積神經(jīng)網(wǎng)絡系統(tǒng)。4.利用RetiNet模型對不同的數(shù)據(jù)集進行訓練,測試并對結果進行分析。
【關鍵詞】：彩色增強 光照補償 Retinex 模型 卷積神經(jīng)網(wǎng)絡
【學位授予單位】：北京理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-15
• 1.1 研究背景與意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文的研究內(nèi)容與結構安排13-15
• 1.3.1 主要工作13-14
• 1.3.2 結構安排14-15
• 第2章 通過圖像增強進行光照補償15-29
• 2.1 空間域圖像增強理論15-17
• 2.1.1 灰度變換15-17
• 2.1.2 直方圖增強17
• 2.1.3 空間濾波17
• 2.2 頻率域圖像增強理論17-18
• 2.2.1 頻率平滑濾波18
• 2.2.2 頻域銳化濾波18
• 2.3 基于Retinex的彩色增強算法18-24
• 2.3.1 色彩恒常性理論19
• 2.3.2 Retinex理論基礎19-20
• 2.3.3 基于迭代計算的Retinex算法20-21
• 2.3.4 基于中心/環(huán)繞的Retinex算法21-22
• 2.3.5 基于HSI空間改進的Retinex算法22-24
• 2.4 圖像質量評價24-28
• 2.5 本章小結28-29
• 第3章 卷積神經(jīng)網(wǎng)絡29-51
• 3.1 卷積神經(jīng)網(wǎng)絡中的常見層29-36
• 3.1.1 卷積層30-33
• 3.1.2 池化層33-34
• 3.1.3 全鏈接層34-35
• 3.1.4 Dropout層35-36
• 3.2 損失函數(shù)36-41
• 3.2.1 SVM層37-39
• 3.2.2 Softmax層39-40
• 3.2.3 Softmax與SVM的對比40-41
• 3.3 卷積神經(jīng)網(wǎng)絡中的優(yōu)化41-50
• 3.3.1 CNN中的常用激活函數(shù)41-44
• 3.3.2 CNN的預處理44-45
• 3.3.3 CNN的優(yōu)化方法45-50
• 3.4 本章小結50-51
• 第4章 光照魯棒的卷積神經(jīng)網(wǎng)絡算法51-58
• 4.1 光照對圖像識別的影響51
• 4.2 基于Reti Net的光照魯棒的圖像識別算法研究51-53
• 4.3 實驗結果與對比53-57
• 4.3.1 Yale-B Crop人臉數(shù)據(jù)庫53-55
• 4.3.2 Cifar10數(shù)據(jù)庫55-57
• 4.4 本章小結57-58
• 全文總結58-60
• 參考文獻60-65
• 攻讀學位期間發(fā)表的學術論文目錄65-66
• 致謝66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉麗華;;人臉光照問題研究綜述[J];電腦開發(fā)與應用;2008年04期

2 高羽佳;;基于光照樣本合成的光照補償方法的研究[J];中小企業(yè)管理與科技(下旬刊);2010年12期

3 劉篤晉;孫淑霞;李思明;;人臉識別中光照處理方法的分析[J];計算機系統(tǒng)應用;2011年01期

4 甘樹坤;呂穎;呂雪飛;李洪濤;;人臉檢測中的圖像光照處理研究[J];吉林化工學院學報;2011年09期

5 張忠波,馬駟良,馬捷;小波和神經(jīng)網(wǎng)絡在人臉光照校正中的應用[J];吉林大學學報(理學版);2005年02期

6 柴秀娟;山世光;卿來云;陳熙霖;高文;;基于3D人臉重建的光照、姿態(tài)不變?nèi)四樧R別[J];軟件學報;2006年03期

7 崔瑞;張艷寧;呼月寧;朱宇;;基于光照分類的可變光照下人臉識別方法[J];計算機工程與應用;2010年28期

8 許力;黃磊;劉昌平;;可變光照條件下的人臉識別[J];計算機工程與應用;2011年21期

9 孫雪梅;蘇菲;蔡安妮;;人臉識別中光照補償參數(shù)及必要性的判定方法[J];計算機應用研究;2007年07期

10 徐勇;閆玉寶;陳樹越;;基于延遲光照技術的水波動畫研究[J];安徽農(nóng)業(yè)科學;2010年18期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 蘇紅梅;閉立輝;黃文功;周艷桃;張桂征;蒙藝英;韋博優(yōu);黃玲莉;;光照對932、7532蠶品種化性的調(diào)控試驗[A];第十屆家（柞）蠶遺傳育種及良種繁育學術研討會論文集[C];2013年

2 余建軍;楊旭波;肖雙九;;基于物理光源獲取的交互式重光照[A];中國圖學新進展2007——第一屆中國圖學大會暨第十屆華東六省一市工程圖學學術年會論文集[C];2007年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 張繼民;光照處理法[N];河南科技報;2005年

2 ;芹菜種子巧催芽[N];蚌埠日報;2009年

中國博士學位論文全文數(shù)據(jù)庫 前8條

1 王寧;計算機視覺中的光照色度估計研究[D];北京交通大學;2012年

2 楊海明;揚州鵝繁殖的光照調(diào)控及下丘腦基因差異表達研究[D];揚州大學;2014年

3 范春年;人臉識別中光照處理算法研究[D];南京大學;2011年

4 張志偉;可變光照條件下的人臉識別技術研究[D];河北工業(yè)大學;2007年

5 莊連生;復雜光照條件下人臉識別關鍵算法研究[D];中國科學技術大學;2006年

6 徐曉e，

本文編號：713926