局部描述子方法及其在图像识别中的应用(4)
由于离散化方向的数目可以变化，因此， POEM 具有捕获图像在任何方向上特征信息的能力，
同时可以做到图像在不同程度上的方向精度。在不同尺度的单元和小块上，POEM是一种空
间多分辨率特征，这使得它能够同时具有局部信息和全局结构。使用梯度幅值信息而不是像
素点灰度值使得 POEM与 LBP 相比对光照变化更加具有稳健性。提出POEM 的学者们后又
提出了扩展的 POEM[10]
，并将其用于人脸识别和图像匹配。
（6）基于鉴别的局部主方向直方图
钱建军等于2013年提出了基于鉴别的局部主方向直方图（Discriminative histograms of
local dominant orientation，D-HLDO）[11]
。D-HLDO第一步利用经典算法 PCA 计算得到图像主方向图和能量图划分可重叠的区域，在每个小区域内累加主方向上的能量值得到一个一文
直方图统计。将所有区域计算得到的对应直方图统计组合，获得蕴含局部结构信息和空间信
息的高文向量，再利用最近邻鉴别分析对高文特征作用以得到低文鉴别特征。与同类方法相
比，该方法在处理噪声和光照变化时的识别性能更加稳健。
（7）方向纹理曲线
Ran Margolin 等学者在 2014年European Conference on Computer Vision 提出了方向纹理
曲线（Oriented Texture Curves，OTC）特征描述子，此描述子是针对纹理图像分类提出的。
此方法在一个图像块上捕获多个方向的纹理曲线，同时，保持描述子的光照、几何变换、局
部对比度的稳健性，优于同类描述子。
1.4 本文研究内容与章节安排
本文一共分为四章节，各章节的主要内容如下。
第一章节是绪论。本章介绍了局部描述子的研究背景和意义，其国内外发展现状，总结
介绍了局部描述子的研究内容和研究方法。
第二章节详细介绍了 SIFT特征提取算法，HOG 特征提取算法，OTC 特征提取算法原理
及其算法步骤。本文主要是用Matlab实现了OTC 特征提取算法，并将其从用于场景分类扩
充到用于人脸和花朵识别。
第三章节详细介绍了一个图像识别系统中相关的理论知识，包括对低层表示特征描述子
的编码方式 BOW，SPM；聚类算法 K-means；可用于分类的 SVM 学习模型；用于高文数据
降文并保留主要分量的PCA 算法。
第四章主要介绍了局部描述子在图像识别中的应用。图像识别可以用于场景分类，人脸
识别以及特定物体的识别分类，如花朵的分类。同时介绍了实验设计，给出了实验结果及分析。
下一篇：基于深度学习的时序模式识别