模式识别中光照补偿处理算法研究

《模式识别中光照补偿处理算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、模式识别中光照补偿处理算法研究高涵2016年1月中图分类号：TP391.4UDC分类号：004.8模式识别中光照补偿处理算法研究论文作者高涵学院名称光电学院指导教师魏平答辩委员会主席蒋晓瑜申请学位级别工学硕士学科专业光学工程学位授予单位北京理工大学答辩日期2016年1月TheIlluminationCompensationAlgorithmsinPatternRecognitionCandidateNameGaoHanSchoolorDepartmentSchoolofOpto-ElectronicsFacultyMentorWeiPingChair,Thes

2、isCommitteeJiangxiaoyuDegreeAppliedMasterMajorOpticalEngineeringDegreebyBeijingInsitituteofTechnologyTheDataofDefenceJanuary2016研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学

3、位论文中作了明确的说明并表示了谢意。特此申明。学位论文作者签名：日期：年月日北京理工大学硕士学位论文摘要随着计算机科学技术的不断发展与大数据时代的降临，以及深度学习技术横空出世，图像识别技术有了突破性的进展。之前，目标识别尤其是人脸识别系统的性能在很大程度上受到光照条件的影响，科研人员也在这方面有了许多的研究，但是识别效果仍不理想。然而解决复杂光照条件下的目标识别是其通往实用化的至关重要的一步，在此背景下，本文首先基于Retinex模型，提出了改进算法AuReH，其次结合卷积神经网络与光照补偿算法AuReH进行研究，提出了端对端的RetiNet模型，实验表明该

4、模型具有很好的光照鲁棒性，能达到较高的识别准确率。本文重点研究复杂场景下光照鲁棒的卷积神经网络图像识别方法，并对传统的多尺度Retinex彩色增强进行改进，主要工作有以下几部分：1.传统的彩色增强算法有许多，包括空间域的图像增强算法，其中包括灰度变换，直方图增强，空间滤波等，同时基于频域方面处理的有频域平滑滤波与品与锐化滤波。不过自从Land提出Retinex[1]理论后，不同形式的Retinex算法相继出现，对图像增强领域有重大的贡献。本文提出了一种基于Retinex理论的自适应算法AuReH，相比于传统Retinex及其变种，该算法能够纠正传统的色偏问题，

5、同时在彩色增强方面有着更好的效果，并对有雾图像能够进行自动去雾。2.对于光照对识别率的影响问题，针对了不同图像应用领域甚至相同图像领域识别的特征提取困难以及由光照影响造成识别率降低的问题，研究了基于卷积神经网络模型与本文提出的AuReH算法相结合的端对端RetiNet模型。3.设计并实现了跨平台的卷积神经网络系统。4.利用RetiNet模型对不同的数据集进行训练，测试并对结果进行分析。关键词：彩色增强光照补偿Retinex模型卷积神经网络I北京理工大学硕士学位论文AbstractWiththedevelopmentofcomputerscience,theer

6、aofBigDataandtheboomofdeeplearn-ing,objectrecognitiontechnologyhasmadeabreakthrough.Beforethat,theperformanceofobjectrecognition,especiallyfacerecognitionsystemisrestrictedbythelightcondition.Manyscientistsalsohavelotsofresearchinthisfield,buttheresultsarestillnotideal.However,it’sth

7、esignificantsteptosolvetheproblemofobjectrecognitionincomplexilluminationcon-ditions.Inthiscontext,firstly,thispaperbasedonRetinexmodel,haspresentedaimprovedalgorithm,AuReH(AutocolorenhancementalgorithmbasedonRetinexmodelinHSIcolors-pace).Then,combineConvolutionalNeuralNetworkandAuReH

8、algorithm,presentth