基于文字識別視角下的圖像特征抽取技術研究

朱大云，洪維先，孫 麗，陶玉寶，彭 勃

（安徽三聯學院 安徽 合肥 230000）

1 引言

圖像識別技術是現代文本信號識別處理技術的初始基礎科學，是關于圖像信號處理與文本識別的基礎研究，對圖像的特征抽取技術展開研究有益于文字識別技術的多元化發展。

2 主要成分數據分析（PCA）

PCA 技術是目前線性圖像降維識別方法最重要的基礎技術之一，在人臉識別等模式識別技術領域中都有著廣泛的研究應用。PCA 應用的主要意義在于能夠使軟件重建程序過程執行中的時間誤差達到最小。由TuturkM 和Pipentlanda 等所提出的對Eigenfaces 的最著名的識別方法也就是通過利用PCA 來進行人臉識別。Yang 等方法針對成分特征性剖面法的主要弱點，提出了一種三維圖像立體投影成分特征分析方法。在新的yale 和ynnust603 人臉識別數據庫上的多項實驗分析結果表明，所提供的方法在人臉識別率和性能上明顯地要優于目前經典版的PCA 方法，識別率平均可分別大幅提高6.7 個和4 個百分點[1]。

3 線性判別分析（LDA）

線性判別分析（LDA）基本思想上就是選擇fisher 這個準則中的函數投射達到極值的一個向量投射作為最佳值的投影投射方向，使得一個樣本被向量投射并達到這個投影方向后，類間的向量差異最大，而且在類內的向量離散最小。在此基礎上，wilksl 和Duda 分別重新提出了本次判別樣本向量集的基本概念，就是通過尋找一組樣本判別的子向量空間組成子類型空間，并通過使用原始樣本判別在子向量空間區域中的一個投影向量函數作為本次判別的基本特征并對其進行樣本識別。與具有foley-sammon 向量判別值的向量集不同，具有統計非相關性的最優向量判別值的向量集，必須滿足共軛正交向量條件[2]。

4 基于發散差的監督判別特征提取

由于它的PCA 和LDA 都用的是基于某些樣本某個整體局部特征的提取算法，它們往往忽略了每個樣本的一些局部整體特征。無圖像監督自動判別圖像投影（UDP）檢測技術主要用于檢測高維圖像數據的高和降維。大部分發散差函數準則主要是對舊的fisher 散差準則的一個改進，消除了這一問題。但該分析方法其實是一種基于圖像整體圖形特征的圖像識別分析方法，沒有考慮這些樣本的其他局部結構特征。

5 基于圖像矩陣的主要成分分析方法

比如aPCA、LDA 和Fisherfaces 等，在直接處理圖像識別時也都存在一定的缺點。以進行人臉識別成像為題舉例，將進行人臉識別成像后的一張圖片轉換成圖像向量后，其圖像維度往往高達數萬個不同維度，這將對我們后續的數據計算工作造成很大的困難。當樣本數量較少時，可以使用奇異值分解（SVD）理論，矩陣R 的特征值向量問題可以轉化為求解矩陣R 的問題，以減少計算量，但在實際中，訓練樣本數量也可能較大，并且使用SVD 理論不能減少計算量。對于識別圖像，近年來一種新的更直觀的二維計算方法，計算的變量更小，特征提取的處理效率和計算速度更高。針對一維計算方法研究遇到的難點問題，楊靖宇小組領導的相關研究工作人員積極開展了卓有成效的研究工作[3]。

6 主要問題分析探索

非線性特征提取方法的Fisher 準則在實際中的使用中經常都會遇到小問題，即使類內散點特征矩陣通常被認為是一個奇異矩陣，目前，工作人員已經提出了許多特征提取的新方法應用來幫助解決這一奇異矩陣問題。現實中，很多技術問題通常是非線性的、可以被分離的，如使用人臉識別，所以一些經典的案例FDA 在執行處理使用人臉識別等圖像識別技術任務時并不能完全取得一個令所有人非常滿意的實驗結果。支持核的向量計算機必須在模式識別技術領域廣泛使用這種核技術，其基本設計思想是非線性的、可以被分割的原始樣本的輸入空間映射變換定義成一個可通過適當的非線性空間映射變為可以被分割的高維特征集的空間映射ф，然而，這類非線性空間映射的ф 分割是通過直接定義適當的內積分和函數空間來實現的。

7 前景與展望

本文提出了基于樣本特征提取加權的一種Gabor 特征提取加權算法，該加權算法根據圖中Gabor 兩個特征向量及其相鄰兩個分量的特征解導度對這些特征向量相鄰分量進行特征加權，有效地增強這些離散度相對較小的樣本特征圖像成分在樣本分類分析中的重要作用，同時，它還能充分利用各類樣本特征圖像的海量統計分析信息，具有較強的魯棒性和高度類別化的刻畫分析能力。圖像識別技術是立體數據信息和立體視覺效應、運動信息分析融匯等實用技術的基礎，其前途是不可被預計和無法限量的。