计算机视觉与图像识别结课论文

基于C++的图像处理

基于C++的图像处理

学号： P15301112 姓名： 宋 富 冉

院系：电子信息工程学院

专业：电子与通信工程 课程：计算机视觉与图像识别

完成日期：2016年2月9日

1

基于C++的图像处理

基于C++的图像处理

宋富冉

（安徽大学 电子信息工程学院 电子与通信工程）

摘要：随着科学技术的飞速发展，图像处理的应用也是日新月异，在某些行业内，就图像处理的技术发展情况也是不尽相同，其所采用的处理工具也是多种多样的，有利用小波的，MATLAB的，汇编语言的，C语言的等等。比如在人脸识别，行为识别，遥感影像等等领域，这些智能判断的技术，由于其结合点不一样，所以才有发展的技术差距产生。本文主要是从最基础的研究做起，采用基于C++工具的图像处理方式，来开拓创新图像处理的一些更前沿的技术，比如图像特征提取、锐化、图像增强等，达到一个更高的更有效的层次。 关键词：C++，行为特征，图像处理，图像特征提取，图像锐化，图像增强。

Abstract

Abstract: with the rapid development of science and technology, The application of image processing is also changing, in certain industries, on the image processing technology development situation is different, its processing tools are also used by a variety of, have advantage of wavelet, MATLAB, assembly language, C language, and so on.In face recognition, for example, behavior recognition, remote sensing image, and so on, these intelligent judgment technology, due to the combining site is different, so is the development of the technology gap.This paper starts from the most basic research, the way of image processing based on c + + tools, to blaze new trails on some of the more cutting edge technology, image processing such as image feature extraction, sharpening, image enhancement and so on, to achieve a higher level more effectively.

Key words: C + +, Behavior Characteristics. Image processing, Image Feature Extraction, Image Sharpening,Image Enhancement. 0引言

众所周知,随着我国改革开放，与国际接轨, 上世纪 70 年代以来 ，随着数据库系统及计算机视觉技术的迅速发展,各行各业对图像的使用越来越广泛图像检索技术显得越来越重

2

基于C++的图像处理

要。 有效地把图像特征从计算机视觉和图像处理中分离出来,利用计算机来分析和处理图像信息成为一项新的挑战。而且我国的机动车数量每年在以指数级的速度增长.由此带来了交通严重拥堵、交通环境恶化、环境污染加剧等交通问题,这就给交通管理部门提出了新的挑战,所以研制出一种新型高效的车牌识别系统也已迫在眉睫等等各种基于图像处理的基本问题。基于此，本文也提到通过对常用图像文件的文件结构深入分析的基础上,利用 Visual C++技术提出了几种常用的特征提取方法。此外，本文还介绍了一种基于Visual C+ +的图像增强和轮廓提取的设计方法。该方法采用Visual C+ +处理位图图像,运用灰度变换方法实现图像增强、模板匹配方法实现边缘检测来突出图像轮廓。

1 概论

1.1 基于C++的图像处理的背景

随着计算机技术，图像处理也是飞速的发展成熟，我们知道一切实践的操作都离不开理论的指导。首先，要做的工作就是储备C++编程语言基础知识。然后，尝试性的编辑一些软件来融会贯通整个C++语言的应用。最后，参考查阅相关资料，借助C++开发平台，完成图像的编辑与制作。目前C++是我们学习的最底层图像处理工具，也是最适合初入门的研究人员学习掌握的。基于C++的图像处理也是最多人所研究学习和发展的，至今发展的也是相当的不错，后续的分支也是越来越多，所以预想要有更多的创造和创新，也是方向很多。但是也同时面对很多问题，想突破前人，有自己的创造和创新的话也是困难重重。本文亦是基于此背景展开的。

1．2 前期C++学习简述

在之前几十年时间里，大部分的图像处理研究主要是在学习C++语言的基础上进行的，本人先进行了C语言的学习，C语言是学习C++的前期最好的基础准备，当然也可以不学习C语言，而直接进行C++语言的学习，这样只是会有一部分过渡性的理论环节不能很容易掌握和理解，其也是可行的。

对于C语言，在本科阶段多少都有所涉及，精不精通或许多少有些差别，但是这对于我们后面学习使用C++语言编程等，会有极大的帮助，比如：在C语言中，我们所接触的结构体这部分知识体系架构，可以直接过渡到C++语言中最核心的部类模块。另外，当我们打牢C语言基础以后，我们再去学习C++语言，我们会发现我们所掌握的编程架构，基础函数

3

基于C++的图像处理

等全部可直接使用，加深的地方，新出现的地方，只有几个模块。

学习完C以后，我们基本具备一般的编程制作与程序阅读的能力，这样给我们后续的程序示例阅读学习，框架借鉴等都有极大帮助。可以促使我们在最短的时间内掌握C++语言。当然，学习基础知识能结合实践，学习效果肯定会更明显更快速，理论结合实践的学习方法，对于学习一门编程语言来说是最捷径的办法，总结起来也就是“以战代练”。

我们学习软件编程所使用的开发平台都是基于VC++6.0的，因此使用和操作起来会很方便，也能迅速上手。C++语言中，最精华的部分就是类与类的派生，继承。能将此部分熟练的掌握，精通于类的编辑与封装，那我们势必在C++的天地中来回穿插，游刃有余。

还有一些有关于C++的开发平台或开发软件自带的，已封装好的类MFC这一模块，多数情况下，我们可以直接使用它。但是需要我们掌握它的基本特点和使用方式等。

1．3 基于C++的图像处理算法的提出

本文提出的图像处理基本工作流程是: 1)利用C++编写程序获取图像的数据信息，主要包括图像的特征点等信息; 2) 结合图像的特征点和特点建立数学处理矩阵模型，建立坐标系，在此基础上从原始采集的坐标数据中提取对图像类型具有较强描述能力的极坐标特征、结构特征，得到具有更强描述能力的融合特征; 3)讨论该算法的具体实现方法，并与其他图像处理算法进行比较，最后通过实际仿真调试验证，该算法以及程序逻辑为目前较为前端的技术。由以上几步，先提出程序结构图，再根据主题方案实施图像处理的各项要求，如锐化，增强，轮廓等等。

2 基于C++图像处理的特征提取方法

2.1 导论

就目前很多的图像图形都是以数字的方式保存的，所以图像处理在多数情况之下是指对数字图像的处理。而数字图像的处理则在重工业、轻工业、军队建设、、航空航天技术领域、国家领空领地的安全以及其在经济产值之中都具有非常重要的应用。图像的特征提取又是图像处理中的一个非常基础和属于初级的运算，通过检测每一个像素点确定此像素能否替代一个特征点。图像的特征选择与提取是图像识别和处理中一个很关键的问题。特征的选择和提

4

基于C++的图像处理

取基本任务就是怎样从众多的特征中提取出最有效最具代表性的特征。

2.2 特征提取的方式方法

2．2．1 颜色的特征提取

我们知道颜色是我们人类去感知图像或者图形最直接的视觉特征，而颜色的特征有是通过图像以及图像区域的表面颜色加以描述的，它具有整体性和稳定性，颜色特征的提取方法分别有颜色直方图、颜色集等方式。直观的来讲：如果一幅图像的像素占有全部可能的的灰度级且分布的均匀，那摩这样的图像具有高对比度以及多变的灰度色调。从概率观点去理解它，灰度出现频率可一当做其出现的概率，这样的直方图就对应于概率密度函数PDF，而且概率分布函数就是直方图累积的和，也就是概率密度函数的积分。最后通过编写源代码在C++语言环境下实现所有的要求。

2．2．2 形状的特征提取

形状特征则是物体本质的特征之一，其也是人类直观感受一维轮廓的视觉感知特性。但式不同于颜色和纹理的特征，其需要以图像分割为前提，所以相对于底层的特征来说，形状特征的提取与描述相对比较困难。一般情况之下，形状特征分别用两类方法表示，一类是轮廓特征，另一类是区域特征. 图像的区域特征则关系到整个形状区域，而图像的轮廓特征主要针对物体的外部边界。

以下是几种典型的形状特征的描述方法：

（1）边界特征方法:该法是通过对边界特征的描述去获的图像形状参数的。其中Hough变换检测平行直线方法和边界方向直方图方法是经典方法。Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法:傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为

5

基于C++的图像处理

一维问题。用L 表示P 区域边界，s 表示从L 的起点b0到L 的逆时针方向上的动点b 之间的弧长。S 表示L 的周长。则此曲线的参数方程为：L(s)=x(s)+iy 即： L(s+S)=L(s),0≤s≤S

令： t=2πs/S，则上式变为 ：L(t)=x(t)+iy(t)

n???傅里叶展开式为：L(t)?n????cenint

其中cn为傅里叶系数，由此可以导出如下的形状描述式：

fF(|L(?m/2)||L(?1)||L(2)||L(m/2)|),...,(),(),...,()

|L（1）||L(1)||L(1)||L(1)|由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。

（3）几何参数法：形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在QBIC 系统中，便是利用圆度、偏心率、主轴方向等几何参数，进行基于形状特征的图像检索。需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。

（4）形状不变矩法：利用目标所占区域的距作为形状描述参数。

2.2.3 空间特征提取

图形图像中空间关系亦是反映图形图像特征的一种方式， 空间特征的提取空间关系是说图像分割出来的各部分间的空间位置，而这些关系也可以分为交叠的—重叠的关系、连接—邻接关系以及包含—包容关系等等。空间位置的信息也可以分两种：相对空间位置的信息和绝对空间的位置信息。前者相对空间位置的信息则是目标间的相对情况，就像前后左右等，而绝对空间的位置信息则讲的是目标间距离大小和方位问题。由绝对空间位置就可推出相对的空间位置，不过表达相对的空间位置信息相对比较的简单。空间关系的特征使用也可以加强对图像内容的描述和区分能力，不过空间关系特征常对图像或目标的旋转、反转、尺度变化这些比较的敏感。此外，在实际应用中，通常要其他更加准确的特征配合空间关系特征才能到达饿哦们预想的目的。

2.2.4 纹理特征提取

6

基于C++的图像处理

纹理特征也属于是一种全局性的特征，它也是描述了图像或者图像区域内所对应的景物表面的性质。不过由于其纹理只是一种物体表面上的特性，而不能完全的反映出物体的本质属性，因此仅仅利用纹理特征肯定无法获去高层次图像内容。纹理特征提取方法归纳为5五种，分别是：结构方法、信号处理方法、几何方法、模型方法和计方法

3 基于C++的图像增强和锐化

无论是在美术方面的图像修饰和美化,还是在工农业生产方面的资源调查、自动检测、模式识别,都需要对各种图像进行处理。数字图像处理从内容上包括图像变换、图像增强、图像分割、图像编码与压缩及图像识别等。煤矿井下环境比较灰暗,采集的视频图像画面不清晰,尤其在发生事故时,需要对现场画面进行增强处理和提取轮廓特征,为准确分析事故提供参考。为此,本文介绍一种基于VisualC+ +的图像增强和轮廓提取方法。该方法采用Visual C+ +处理位图图像(BMP)[1];运用灰度变换方法实现图像增强、模板匹配方法实现边缘检测来突出图像轮廓。

3.1 基于 Windows的C++位图概述

Windows的位图分为依赖于设备的位图DDB和与设备无关的位图DIB。DDB是一种内部位图格式,它显示的图像依据计算机显示系统设置的不同而有一定区别,其只能被绘制在与其自身匹配的视频系统上。与DDB相比而言,DIB是一种外部的位图格式,DIB可以在不同的机器或系统中显示位图所固有的图像。DIB的与设备无关性主要体现在以下恋歌方面:(1)DIB的颜色模式与设备无关;(2)DIB不依赖于具体设备,可以用来永久的保存图像。

本文利用Visual C+ +处理位图图像,但Visual C+ +对图像处理的编程支持甚少,尤其是MFC类库没有一个支持DIB的类。本文定义了能封装DIB基本操作的类CDibmap,实现任意一个BMP文件的显示及处理。首先在文档类的头文件中加入CDibmap类的定义,部分源代码如下:

class CDibmap { protected: CPalette m Palette;

unsigned char* pDibmap,* pDibmapBits; DWORD dwDibmapSize; BITMAPINFOHEADER* pBIH;

7

基于C++的图像处理

RGBQUAD* pPalette; int nPaletteEntries; struct RGBData

{BYTE Blue;BYTE Green;BYTE Red;}; LONG col,row; RGBData*data[1 024]; public:

CDibmap();～ CDibmap(); BOOL Load(const char*); BOOL Save(const char*);

BOOL Draw(CDC* ,int n X= 0,int n Y= 0); BOOL SetPalette(CDC*); void Show(CDC* pDC); BOOL bitmap24;

BOOL Edge Laplacian(int ival); void Edge Sobel();

//在视图类的OnDraw()函数中加入重绘代码[4]: void CDIBImageView::OnDraw(CDC* pDC) { CDIBImageDoc* pDoc= GetDocument(); ASSERT VALID(pDoc); if(Dibmap. bitmap24) Dibmap.Show(pDC); else

{Dibmap.SetPalette(pDC); Dibmap.Draw(pDC,0,0);} }

3.2 基于C++的图像处理概述

图像处理就是用一系列的指定算法来改变图像的像素,达到特定的要求。图像处理的方法有点处理和区域处理两类，点处理方法有图像增强中的灰度变换法。区域处理方法主要针

8

基于C++的图像处理

对灰度图像,有卷积法、中值滤波法、Laplacian和Sobel边缘检测法等。然后具体介绍灰度变换法、Laplacian和Sobel边缘检测法这几种方法。

3.2.1 图像增强

图像在获取和传输的过程中质量会有所下降，为了提高图像的显示效果,满足人们的观察和分析需要,通常要对图像进行增强处理。图像增强亦是通过一系列技术去改善图像的视觉效果或将图像转换成一种更适合于人眼观察和机器自动分析的形式,也经常用于改善图像中某种特征的可探测性,从而使人或计算机更容易识别和分析。图像增强根据其处理空间的不同可分为空间域增强方法和频率域增强方法。空间域增强方法就是直接基于像素进行增强处理;频率域增强方法是先把图像空间以某种形式(如傅里叶变换)转换到其它空间,然后在转换空间进行增强处理,最后再转换到图像空间。本文采用基于空间域的灰度变换法实现图像增强[5]。灰度变换法分为线性、分段线性和非线性变换3种。对图像进行灰度线性扩展能显著地改善图像的视觉质量。灰度线性变换就是将图像中所有点的灰度按照线性变换函数关系进行转换。假设原图像f(x,y)的灰度范围为[ a,b],希望变换后的图像g(x,y)的灰度范围扩展到[c,d],则线性变换表达式为:g(x,y)= [ f(x,y)-a]b-a+ c]/ (d-c) (1)在定义的能封装DIB基本操作的类CDibmap中增加图像增强的处理函数Imageenhance(),代码如下(其中α为设定的变换系数,即式(1)中的直线斜率): BOOL CDibmap::Imageenhance() {doubleα= - 0.001; for(LONG y= 0;y< row;y+ +) for(LONG x= 0;x< col;x+ +)

{data[ y][ x].Blue=(INT)(data[ y][ x].Blue+α*data[ y] [ x].Blue*(255- data[ y][ x].Blue));

data[ y][ x].Green=(INT)(data[ y][ x].Green+α*data[ y] [ x].Green*(255- data[ y][ x].Green));

data[ y][ x].Red=(INT)(data[ y][ x].Red+α* data[ y][ x]. Red*(255- data[ y][ x].Red));} return TRUE;}

3.2.2 基于C++的图像锐化 （1） 真彩色图像处理

9

基于C++的图像处理

真彩色图像,即24位彩色数字图像。本文中把真彩色数字图像处理技术分为四个部分来实现,分为图像的锐化、平滑、马赛克、浮雕。现只以锐化为例，描述一下如何利用C++工具进行图像锐化处理。 （2） 锐化

在图像获取、传输及处理过程中有许多因素会使图像变得模糊。图像模糊是常见的图像降质问题。研究表明,图像模糊的实质是图像受到了求和、平均或积分运算。因此,可以不必深究图像模糊的物理过程及其数学模型,而根据各种图像模糊过程中都有相加或积分运算这一共同点,运用相反的运算来减弱和消除模糊。这种消减图像模糊的图像增强方法称为图像锐化。图像锐化的主要目的是加强图像中的目标边界和图像细节。进行锐化处理的图像必须要有较高的信噪比,否则,图像进行锐化以后,信噪比更低,图像质量将急剧下降。 （3） 锐化程序处理

锐化图形就是要突出形体的边缘。边缘也就是颜色值发生显著变化的地方,在程序中采取下列所示的算法（核心部分程序）:

new color= original color+ 0.5× difference difference表示相邻像素之间的差值。0.5为锐化系数。 for(i= 1;i< nDepth;i++) {

for(j= 1;j< 2;j++)

*infile.read((char*)&pOldImage[ 1* nWidth],nWidth*sizeof(PIXEL)); for(l= 1;l< nWidth;l++)

{nPixel1= pOldImage[1* nWidth+ l]; nPixel2= pOldImage[(1- nDx)* nWidth + l- nDy];

nRed= nPixel1.rgbRed+ flSmooth*(nPix- el1.rgbRed- nPixel2.rgbRed);

nGreen= nPixel1.rgbGreen+ flSmooth*(nPix- el1.rgbGreen- nPixel2.rgbGreen);

nBlue= nPixel1.rgbBlue+ flSmooth*(nPixel1. rgbBlue- nPixel2.rgbBlue);

10

基于C++的图像处理

（4） 锐化效果

初始图像下图所示,锐化后的图像下图四副处理效果图所示。

图一原始图像

图三锐化系数0.7的

图二锐化系数0.5的

图四锐化系数0.9的

可以通过改变锐化系数来调节锐化效果。以上图示为取不同的锐化系数时,有不同的锐化效果。由上图四个可以看出,锐化系数越大,锐化效果就越突出。

4 实验准备与软件编程过程

4.1实验仿真主框架准备

在做了前几章的理论准备与问题综合，并结合实践与客观之后，开始着手准备实验，验证理论的可行性与准确性，最主要的是发现其中的不完善和需要补充的问题等。 此外，为了更好的利用基于MFC库与C++语言这个软件开发和应用平台，还有有关于C语言的知识算法等均需要很好的学习和了解，以期后续可以在实验过程中用到他们。这些准备已在此前几章节做出简单介绍，在此亦不赘述。

理论知识准备完毕，接下来便是程序的撰写和整体方案的搭建准备，考虑到此程序性的

11

基于C++的图像处理

复杂度和涉及广度等，采取模块化编写程序法。图像为一块，训练测试一块，此亦可称为机器学习和样本测试模块，特质特征提取和执行匹配模块，初始化及主调函数模块。各自模块均又往下细分，最终在主调函数统筹下，协作运行，处理各种行为的图像和数据，完成实验并得出最终数据结果，得到数据结果以后 ，接着调试程序，分析察看最优程序结构和影响结果的最大因素等是什么，并改进之，往复循环得最优化之结果方止之。

4.2 实验过程和软件编写简述

当把所有程序搭建完毕，各自模块运行基本没有什么问题，整体运行，则漏洞百出，错误连连也，无法读取文件夹，无法找到指定位置等诸多错误，修改半天也未有结果。终因水平所限，实难为之，只能求助室友同学等高水平之人。询问之后，第一个比较棘手的问题是C++的MFC原始安装数据库里有部分内容并未包含进去，最后结果匹配和分析总是出错，以致一直修改程序未果。

第二个问题就是读取文件路径问题，每次更改都会有点问题，导致程序执行无果，毫无反应，也不报错。这好头疼，终究是当局者迷，旁观者清，路径文件夹在输入时打错一个单词，最容易的地方反倒容易出错了。忘我的这些低级错误能给后来者以借鉴，避免重蹈覆辙，当然还有更多其它错误，此不一一列举。

在此还需注意的是各个模块之间的联系文件名一必须保证一致，否则真的很难在调试程序最后查找出错误之原因所在也。在此过程中图像采集也是一门技术活，这个样本图像不是随便拍摄几张照片即可，只要动作幅度区别够大就能得到完整的结果，在我们训练程序时，让其学习时我们无必要采取最鲜明的特征提取，保证其能达到90%以上识别率。亦不能导致Cdib类库出现不协调或者其他调用处理问题。首先，我采用网络图片，分辨率更高一些的教练图来进行机器学习和训练这一步，测试这一步一是擦用同样的图像，结果得到的结果还是比较满意的。

4．3 实验结论及分析

经过以上的过程与实验，最终得到以下结论，上一节最后获得了训练与测试的图像，也是选取理论上最好的测试与训练的样本材料，然应用到自己实际过程中则是如下图所示的结果：

12

基于C++的图像处理

原图

黑白化处理效果图

图像锐化效果图

观之上图可以得知，其处理结果还是比较好的，相比较而言，整体程序效率也是比较高

13

基于C++的图像处理

的。但是其具有一定的局限性，就是只能处理一定格式和确定位图的图像，若改变其他位图或者图像，则其就不能进行处理和读取。

查看对比并分析以上所得结果，其达到了预设定的标准水平。至此，本实验完整结束，达到了预想的目的，在此基础上，后续会继续开展工作，深入研究，一起得出更为复杂图像的处理和非限制确定格式和位图的图像处理。

5 整个课题总结与展望

5.1 总结

经过一个学期，几十个学时的学习，计算机视觉这门理论课已完全结课，将其融会贯通知识整合，最终以完成此论文和研究为最终考核，由于前期准备不充足，导致最终着手实践操作时理论指导不够，以致步履蹒跚，难以进行。本文围绕着基本的图像处理效果分别展开研究，提出了MFC类库以及C++的操作平台应用来进行特征提取等技术操作，并在特征提取的基础之上，将极坐标特征、运动特征和结构特征这几种特征融合在了一起。而且这几种特征分别具有不同方向的表达能力，将其融合在一起加以应用，能够大大提高行为的表达能力。另外，融合特征的使用，使得一些很相似的行为得到很大程度上的区分，避免了错误识别。融合特征的使用，使得实验结果具有相对来说更好的区分性和鲁棒性，其处理效率能够达到90%以上甚至更高。 5.2 展望

根据以上所打下的工作基础之上，在接下来的工作和研究中，预计将会在以下几个方向继续开展基于C++的图像处理的研究: 第一， 因为现有公开数据集的行为类型是非常有限的，而且考虑到日常应用中和工业等领域中图像处理的应用也都相对比较广泛，所以对于很多那些带有复杂上下文信息的图像处理方案等是很难进行普及化和用用的，基于此考虑，将在后续的研究中采取简单易懂且能很好的掌握的，技术革新也不失最前沿。以供后续更多的研究使用;第二，我们目前使用的数据集和技术手段，尚且还未能完全的开发出来，也没能很好的利用MFC以及C++类库等资源，目前我所使用的也就是其一小部分，后续有很大的开发潜能和应用前景。当然此对于我们来说，也是很大的机会。

14

基于C++的图像处理

参考文献:

［1］ Ning Huazhong，Han Tony Xu，Walther D B，et al． Hierarchical space-time model enabling efficient search

for human actions［J］． IEEE Transactions on Circuits and Systems for Video Technology，2009， 19( 6) : 808-820．

［2］Gupta A，Srinivasan P，Shi Jianbo，et al． Understanding videos，constructing plots: Learning a visually

grounded storyline model from annotated videos［C］/ / Proceedings of the 2009 IEEE International Conference on Computer Vision and Pattern Ｒecognition． 2009: 2012-2019．

［3］ Wu Jianxin，Osuntogun A，Choudhury T，et al． A scalable approach to activity recognition based on object

use［C］/ /Proceedings of the 11th IEEE International Conference on Computer Vision． 2007．

［4］田原，谭铁牛，孙洪赞． 一种具有良好鲁棒性的实时跟踪方法［J］． 自动化学报，2002， 28( 5) :

851-853．

［5］余涛，叶金永，邵菲杰，等． Kinect 核心技术之骨架追踪技术［J］． 数字技术与应用，2012( 10) :

115．

［6］Cortes C，Vapnik V． Support-vector networks［J］． Machine Learning，1995， 20( 3) : 273-297． [7] 傅春燕. 步态识别中的目标轮廓提取和特征维数约减研究[D]. 重庆大学, 2008. [8] 许同洪. 轻薄型毛面料加工性能主成分分析及其超喂缝缩率预测[D]. 苏州大学, 2011. [9] McLachlan G. J., Discriminant Analysis and Statistical Pattern Recognition [M]. Wiley, New York, 1992. [10] 陈伏兵 张生亮 高秀梅 杨静宇. 小样本情况下Fisher线性鉴别分析的理论及其验证[J]. 中国图象

图形学报,2005,（8）:984-991.

[11] Jain A. K., Li S. Z.. Handbook of face recognition [M]. New York: Springer, 2011.

[12] 谭璐, 易东云, 吴翊等. 基于非线性降维的图像识别[J]. 计算机工程, 2005, 31（13）:54-55.

[13] Li J B, Chu S C, Pan J S. Kernel learning algorithms for face recognition[M]. NewYork:

Springer, 2014.

[14] 夏海波，基于C++的图像增强和轮廓提取研究[J],工矿自动化，2011年3月3期32-1627

15

本文来源：https://www.bwwdw.com/article/ps8r.html