【摘要】 本发明提供一种低对比度车辆图像的小波特征提取方法，属于图像特征处理技术领域。本发明先利用小波变换对图像进行塔式分解；然后对塔式分解后的小波高频系数采用增益函数进行增益处理，以提高高频细节部分对分类的贡献，最后对所有数据进一步进行分层归一化处理，将处理后的数据形成特征向量输入到分类器进行分类识别。本发明解决了现有的特征提取方式对低对比度图像进行特征提取后分类识别效果较差的问题，利用所提出的方法结合支持向量机分类器对Twilight图像进行车辆检测实验，与现有小波特征提取方法相比，明显提高了车辆识别率，大幅度降低了非车辆误识别率。 【专利类型】发明申请 【申请人】南京信息工程大学 【申请人类型】学校 【申请人地址】210044 江苏省南京市宁六路219号 【申请人地区】中国 【申请人城市】南京市 【申请人区县】浦口区 【申请号】CN201010280831.0 【申请日】2010-09-14 【申请年份】2010 【公开公告号】CN101937507A 【公开公告日】2011-01-05 【公开公告年份】2011 【授权公告号】CN101937507B 【授权公告日】2012-06-27 【授权公告年份】2012.0 【IPC分类号】G06K9/00; G06K9/46 【发明人】文学志; 方巍; 郑钰辉 【主权项内容】1.一种低对比度车辆图像的小波特征提取方法，包括利用小波变换对图像进行塔式分解步骤、小波系数处理步骤、分类器检测步骤；其特征在于：所述小波系数处理步骤包括小波高频系数增益步骤和分层归一化步骤，其中： (一)、小波高频系数增益步骤： 图像经小波变换塔式分解步骤后分为低频子带部分和高频子带部分，采用增益函数对小波高频子带部分进行增益处理，所述高频子带包括水平子带、垂直子带和对角子带，采用式(1)分层对小波高频系数进行增益处理， E(mi，j)＝W(m_maxi，j)×K(mi，j)????(1) 其中，W(·)为增益权值，K(·)为增益函数，i＝1，…，N-1，N为小波塔式分解的层数，j＝1，2，3，j＝1表示水平子带细节，j＝2表示垂直子带细节，j＝3表示对角子带细节；mi，j表示第i层j对应子带小波系数，m_maxi，j为第i层j对应子带系数幅值的最大值；式(1)中： W(m_maxi，j)＝〔σ_maxi/σi，j〕????(2) 其中，σi，j代表第i层j对应子带系数的标准方差， 其中， 代表第i层j对应子带小波系数的均值，n代表第i层j对应子带小波系数的个数；σ_maxi为第i层三个子带系数的标准方差的最大值； 式中S[·]代表非线性函数， 其中e为自然对数底且e为常数，αi，j为控制增益函数曲线形状的参数， βi，j为S[·]函数的临界点，βi，j＝σi，j/2； (二)分层归一化步骤： 经以上增益处理后，将每一层小波数据按公式(4)归一化到[0，1]； ei，j＝(m′i，j-min_valuei，j)/(max_valuei，j-min_valuei，j)????????(4) 式中m′i，j为第i层j对应子带经以上增益函数增益后的数据；min_valuei，j为第i层j对应子带经增益处理后数据的最小值；max_valuei，j为第i层j对应子带经增益处理后数据的最大值。。 【当前权利人】南京信息工程大学 【当前专利权人地址】江苏省南京市宁六路219号 【专利权人类型】公立 【统一社会信用代码】12320000466006762K 【引证次数】1.0 【被引证次数】2 【他引次数】1.0 【被他引次数】2.0 【家族引证次数】1.0 【家族被引证次数】2

未经允许不得转载：http://www.zhongzhencnc.com/1785361583.html