基于文字识别视角下的图像特征抽取技术研究

朱大云，洪维先，孙 丽，陶玉宝，彭 勃

（安徽三联学院 安徽 合肥 230000）

1 引言

图像识别技术是现代文本信号识别处理技术的初始基础科学，是关于图像信号处理与文本识别的基础研究，对图像的特征抽取技术展开研究有益于文字识别技术的多元化发展。

2 主要成分数据分析（PCA）

PCA 技术是目前线性图像降维识别方法最重要的基础技术之一，在人脸识别等模式识别技术领域中都有着广泛的研究应用。PCA 应用的主要意义在于能够使软件重建程序过程执行中的时间误差达到最小。由TuturkM 和Pipentlanda 等所提出的对Eigenfaces 的最著名的识别方法也就是通过利用PCA 来进行人脸识别。Yang 等方法针对成分特征性剖面法的主要弱点，提出了一种三维图像立体投影成分特征分析方法。在新的yale 和ynnust603 人脸识别数据库上的多项实验分析结果表明，所提供的方法在人脸识别率和性能上明显地要优于目前经典版的PCA 方法，识别率平均可分别大幅提高6.7 个和4 个百分点[1]。

3 线性判别分析（LDA）

线性判别分析（LDA）基本思想上就是选择fisher 这个准则中的函数投射达到极值的一个向量投射作为最佳值的投影投射方向，使得一个样本被向量投射并达到这个投影方向后，类间的向量差异最大，而且在类内的向量离散最小。在此基础上，wilksl 和Duda 分别重新提出了本次判别样本向量集的基本概念，就是通过寻找一组样本判别的子向量空间组成子类型空间，并通过使用原始样本判别在子向量空间区域中的一个投影向量函数作为本次判别的基本特征并对其进行样本识别。与具有foley-sammon 向量判别值的向量集不同，具有统计非相关性的最优向量判别值的向量集，必须满足共轭正交向量条件[2]。

4 基于发散差的监督判别特征提取

由于它的PCA 和LDA 都用的是基于某些样本某个整体局部特征的提取算法，它们往往忽略了每个样本的一些局部整体特征。无图像监督自动判别图像投影（UDP）检测技术主要用于检测高维图像数据的高和降维。大部分发散差函数准则主要是对旧的fisher 散差准则的一个改进，消除了这一问题。但该分析方法其实是一种基于图像整体图形特征的图像识别分析方法，没有考虑这些样本的其他局部结构特征。

5 基于图像矩阵的主要成分分析方法

比如aPCA、LDA 和Fisherfaces 等，在直接处理图像识别时也都存在一定的缺点。以进行人脸识别成像为题举例，将进行人脸识别成像后的一张图片转换成图像向量后，其图像维度往往高达数万个不同维度，这将对我们后续的数据计算工作造成很大的困难。当样本数量较少时，可以使用奇异值分解（SVD）理论，矩阵R 的特征值向量问题可以转化为求解矩阵R 的问题，以减少计算量，但在实际中，训练样本数量也可能较大，并且使用SVD 理论不能减少计算量。对于识别图像，近年来一种新的更直观的二维计算方法，计算的变量更小，特征提取的处理效率和计算速度更高。针对一维计算方法研究遇到的难点问题，杨靖宇小组领导的相关研究工作人员积极开展了卓有成效的研究工作[3]。

6 主要问题分析探索

非线性特征提取方法的Fisher 准则在实际中的使用中经常都会遇到小问题，即使类内散点特征矩阵通常被认为是一个奇异矩阵，目前，工作人员已经提出了许多特征提取的新方法应用来帮助解决这一奇异矩阵问题。现实中，很多技术问题通常是非线性的、可以被分离的，如使用人脸识别，所以一些经典的案例FDA 在执行处理使用人脸识别等图像识别技术任务时并不能完全取得一个令所有人非常满意的实验结果。支持核的向量计算机必须在模式识别技术领域广泛使用这种核技术，其基本设计思想是非线性的、可以被分割的原始样本的输入空间映射变换定义成一个可通过适当的非线性空间映射变为可以被分割的高维特征集的空间映射ф，然而，这类非线性空间映射的ф 分割是通过直接定义适当的内积分和函数空间来实现的。

7 前景与展望

本文提出了基于样本特征提取加权的一种Gabor 特征提取加权算法，该加权算法根据图中Gabor 两个特征向量及其相邻两个分量的特征解导度对这些特征向量相邻分量进行特征加权，有效地增强这些离散度相对较小的样本特征图像成分在样本分类分析中的重要作用，同时，它还能充分利用各类样本特征图像的海量统计分析信息，具有较强的鲁棒性和高度类别化的刻画分析能力。图像识别技术是立体数据信息和立体视觉效应、运动信息分析融汇等实用技术的基础，其前途是不可被预计和无法限量的。