基于Gabor小波和卷积神经网络的图像识别方法研究

• 作 者: 庄磊
• 机 构: 东南大学
• 出 处: 东南大学
• 发表日期: 2020年01期
• 关键词: 图像识别

字符识别、人脸识别、生物医学图像识别等图像识别技术在诸多计算机视觉领域有重要的应用价值，准确高效的图像识别是当前模式识别领域的热门研究课题。传统基于Gabor小波的图像识别方法提取的特征向量维度高，识别效果较差；近年来基于深度学习的图像识别方法取得了较好的识别效果，但仍然存在模型复杂度高、训练时间长、对外界环境变化鲁棒性差等问题。本文在对Gabor小波以及卷积神经网络深入分析的基础上，针对基于Gabor小波和卷积神经网络的图像识别进行研究。本文主要的研究工作与创新点如下：
　　1）为降低高维Gabor特征对识别系统实时性的影响，同时提高特征对旋转、灰度变化的鲁棒性，本文提出了一种基于二进制编码Gabor特征的人脸识别方法。首先采用Haar-Adaboost分类器进行人脸检测，根据Dlib检测的68个人脸关键点进行姿态矫正。接着，采用不同参数的Gabor小波提取人脸多方向、多尺度的Gabor特征。为降低Gabor特征的维度，将同一尺度、不同方向的Gabor特征通过二进制编码的方法进行融合，进一步通过主成分分析（PCA）和线性判别分析（LDA）进行降维。最后，采用支持向量机（SVM）作为分类器，在FERET人脸数据库上进行了识别率的实验，证明了所提方法在小规模数据集上的有效性。
　　2）相较于传统模式识别领域的特征描述子，神经网络缺乏特定领域知识，只能基于海量数据进行参数学习提取特征，因此往往对应着大量的训练时间和较高的模型复杂度。为提高卷积神经网络的训练效率和识别性能，本文提出了一种基于增强型Gabor特征和卷积神经网络的图像识别方法。首先，使用不同参数的Gabor小波提取图像Gabor特征以引入领域先验信息。接着，将多尺度、多方向的Gabor特征与图像灰度图进行融合构建增强型Gabor特征。最后，采用增强型Gabor特征作为卷积神经网络的输入。此外，Gabor小波的部分参数也可以通过网络学习进行更新，从而降低 Gabor 小波的参数设置对识别性能的影响。在MNIST数据集上的实验表明，采用增强型Gabor特征替代原始图像作为网络的输入可以为网络学习提供高效的浅层特征，进而提高算法的识别性能。
　　3）为提高卷积神经网络对图像空间变换的鲁棒性，本文提出了一种基于Gabor卷积神经网络的图像识别方法。首先，为结合Gabor小波和卷积层的优良特性，设计Gabor特征提取模块、并行卷积模块和空间变换池化模块。接着，根据图像识别任务的应用场景，选取合适的模块构建相应的Gabor卷积层。最后，使用Gabor卷积层替换基准网络中的传统卷积层，搭建相应的Gabor卷积神经网络，从而将 Gabor 小波的空间局部性和方向选择性融入到卷积神经网络中。在MNIST、MNIST-rot、MNIST-scale、SVHN、CIFAR、LFW等数据集上的实验结果表明，所提算法可以提高网络识别性能，同时加强卷积神经网络对旋转、尺度变换等空间变换的鲁棒性。