CN102289670A - 一种具有光照鲁棒性的图像特征提取方法 - Google Patents

Abstract

本发明公开了一种具有光照鲁棒性的图像特征提取方法，包括步骤：1、图像信号的采集、上传及分辨率调整；2、图像特征提取，其过程如下：二维小波变换，将经二维小波变换后的低频分量变换到对数空间，用k种不同的高斯滤波系数与对数空间中的低频小波系数做卷积计算，对卷积结果与对数空间中的低频小波系数的偏差进行加权平均，对加权平均结果进行灰度值线性拉伸，将小波域中的三种高频系数与用来显示的灰度值作二维小波反变换，重复以上步骤，对L个图像信号进行采集处理并对处理所得到的图像信号进行特征提取；3、处理结果同步输出。本发明设计合理、实现方便且投入成本低，操作简便，图像处理效果好，提高了对光照变换的鲁棒性，实用性强。

Description

一种具有光照鲁棒性的图像特征提取方法

技术领域

本发明属于图像处理技术领域，尤其是涉及一种具有光照鲁棒性的图像特征提取方法。

背景技术

目前，对光照变化的图像特征提取中，通常有以下几种处理光照变化的方法：

1、基于传统的图像预处理方法，如直方图均衡、Gamma变换等。此类算法复杂度较低，运算速度较快，但在性能上往往难以达到理想的效果；

2、抽取具有光照鲁棒性的特征点方法，对图像进行浮雕化处理(embossing)和采用边缘图表示方法等。这些方法在光照条件变化不大的情况下，可以获得比较好的识别效果。但是，当光照条件变化比较大时，效果不是很明显；

3、基于光照模型，比较典型的如光照锥(Illumination Cone)、熵图像(Quotient Image)、球谐函数(Spherical Harmonic)等模型，此类方法理论性强，试图通过数学理论结合光度学理论，给光照变化建立统一的模型。该方法在进行人脸识别时，假设人脸是朗伯表面，并假设观测图像中没有阴影区域出现，有很大的局限性；

4、基于人类感知模型，比较典型的为Retinex算法，该算法利用了人的视网膜、大脑皮层构造亮度和颜色的感知模型，对光照变化图像的补偿有明显效果，但是图像的对比度和亮度的乘积较小。

综上所述，现有技术中的图像特征提取方法存在着对光照的鲁棒性差、分类识别效果差、具有局限性等缺陷和不足，例如当在视频监控、人机交互、身份认证等领域需要进行人脸识别时，在光照变化的情况下，现有技术中的图像特征提取方法导致人脸识别的效果差，不能很好地满足实际应用的需求。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种具有光照鲁棒性的图像特征提取方法，其设计合理、实现方便且投入成本低，操作简便，图像处理速度快、效果好，提高了对光照变换的鲁棒性，实用性强。

为解决上述技术问题，本发明采用的技术方案是：一种具有光照鲁棒性的图像特征提取方法，其特征在于该方法包括以下步骤：

步骤一、图像信号的采集、上传及分辨率调整：图像采集设备采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传给处理器，处理器调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值，得到图像f₀(x，y)；

步骤二、图像特征提取：通过处理器对步骤一中所得到的图像f₀(x，y)进行分析处理，得出图像的特征P，其分析处理过程如下：

201、二维小波变换：处理器调用二维小波变换模块对图像f₀(x，y)进行二维小波变换，得到：

其中，

为f₀(x，y)变换后的低频分量，

为f₀(x，y)变换后的水平高频分量，为f₀(x，y)变换后的垂直高频分量，

为f₀(x，y)变换后的对角线高频分量，φ(-x，-y)为尺度函数，

为相应的小波；x和m均为图像的横向坐标，y和n均为图像的纵向坐标；

202、处理器调用对数变换模块，将经二维小波变换后的低频分量变换到对数空间，得到：

203、处理器调用卷积计算模块，并使用k种不同的高斯滤波系数F_k(x，y)与对数空间中的低频小波系数I(x，y)进行卷积计算，得到：其中，k为高斯滤波系数的种类数；

204、处理器调用加权平均计算模块，对卷积计算所得结果g_k(x，y)与对数空间中的低频小波系数I(x，y)的偏差进行加权平均计算，得到： $R(x,y)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{W}_k\{I(x,y)-g_k(x,y)\},$ 其中，N为不小于3的自然数；

205、处理器调用均值方差归一化处理模块，对步骤204中所得到的加权平均结果R(x，y)进行灰度值线性拉伸，得到：R′(x，y)＝G×R(x，y)+offset，

其中，R′(x，y)为图像小波系数的变换输出值，R″(x，y)为均值方差归一化后用来显示的灰度值，G为增益系数，offset为R′(x，y)的偏移量，r_min为修正后图像小波系数中的最小值，r_max为修正后图像小波系数中的最大值；

206、处理器调用二维小波反变换模块，将步骤201中所得到的小波域中的三种高频分量

和

与步骤205中所得到的用来显示的灰度值R″(x，y)作二维小波反变换，得到分辨率为M×H的图像f₁(x，y)，其中M和H均为自然数；

207、重复步骤一与步骤二中的步骤201～206，对L个图像信号进行采集、处理，处理器调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取，得出L个图像的特征P，其中，L为自然数；

步骤三、处理结果同步输出：步骤二中进行图像特征提取过程中，处理器通过与其相接的显示器对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤207中进行特征提取之后，还需采用处理器调用RBF神经网络分类识别模块，对步骤207中所得出的L个图像的特征P进行分类识别，得出图像分类识别结果并通过显示器进行同步显示。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述处理器调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为128×128。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤201中的小波

(-x，-y)为Daubechies小波。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤204中N取值为3。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤205中G取值为3，offset取值为50。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤207中处理器调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取的步骤如下：

2071、将L个经过步骤206处理后的图像分别按行展开后再进行组合，形成一个L行、M×N列的矩阵X＝(x₁，x₂，x₃，Λ，x_L)^T；

2072、对矩阵X进行均值化，使得E(X)＝0；

2073、对矩阵X进行白化处理，使得E(X^TX)＝I；

2074、初始化独立分量的个数，使得n＝1，其中，n为独立分量的个数；

2075、初始化w_n，随机选取w_n＝w_n/||w_n||；

2076、根据公式w_n＝E{Xg(w_n ^TX)}-E{g′(w_n ^TX)}w_n，求取w_n；

2077、根据公式 $w_{n+1}=w_{n+1}-\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{w_{n+1}}^T{\mathrm{Cw}}_n{w}_n,$ 迭代出w_n+1；

2077、w_n＝w_n/||w_n||；

2078、判断步骤2077中得到的w_n是否收敛，如果w_n不收敛，返回步骤2075；

2079、取n＝n+1，在n＜M的情况下，重复步骤2074～2078，逐一提取出所有的独立分量；

20710、将各个独立分量构成矩阵S＝(s₁，s₂，Λ，s_P)^T，根据公式P＝FS^-1计算出L个图像的特征P。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述RBF神经网络分类识别模块为MATLAB神经网络工具箱提供的神经网络设计、训练和仿真的函数。

上述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述处理器为计算机。

本发明与现有技术相比具有以下优点：

1、方法设计合理、实现方便且投入成本低，操作简便。

2、本发明能够实现图像的动态范围压缩、保证图像的色感一致性，在考虑到图像均衡阴影部分的同时保留了图像的高频信息，变换后的图像不仅降低了光线的干扰，还恢复了图像高频细节信息。

3、本发明不仅考虑了信号的二阶统计特性，还考虑了高阶统计特性，在提高对光照变化鲁棒性方面，明显优于SSR、MSR以及直方图均衡、Log等传统图像处理方法。

4、本发明的图像处理速度快，实用性强，能够应用于人脸识别，实现人脸识别在视频监控、人机交互、身份认证等方面的应用，能够很好地满足实际应用的需求。

综上所述，本发明设计合理、实现方便且投入成本低，操作简便，图像处理速度快、效果好，提高了对光照变换的鲁棒性，实用性强，解决了现有技术中的图像特征提取方法所存在的对光照的鲁棒性差、分类识别效果差、具有局限性，不能很好地满足实际应用的需求等缺陷和不足。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明图像特征提取的电路原理框图。

图2为本发明图像特征提取的方法流程图。

图3a为一幅光照不均匀的原始图像。

图3b为采用常规的SSR方法对原始图像进行特征提取后得到的图像。

图3c为采用常规的MSR方法对原始图像进行特征提取后得到的图像。

图3d为采用本发明中的图像特征提取方法对原始图像进行特征提取后得到的图像。

图4为本发明与多种图像特征提取方法所得结果的PCA分类比较图。

图5为本发明与多种图像特征提取方法所得结果的ICA分类比较图。

附图标记说明：

1-图像采集设备；    2-图像信号传输装置；    3-处理器；

4-显示器。

具体实施方式

如图1和图2所示，本发明所述的一种具有光照鲁棒性的图像特征提取方法，包括以下步骤：

步骤一、图像信号的采集、上传及分辨率调整：图像采集设备1采集图像信号并将其实时所采集的图像信号通过图像信号传输装置2上传给处理器3，处理器3调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值，得到图像f₀(x，y)；

本实施例中，所述处理器3调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为128×128。

步骤二、图像特征提取：通过处理器3对步骤一中所得到的图像f₀(x，y)进行分析处理，得出图像的特征P，其分析处理过程如下：

201、二维小波变换：处理器3调用二维小波变换模块对图像f₀(x，y)进行二维小波变换，得到：

其中，

为f₀(x，y)变换后的低频分量，

为f₀(x，y)变换后的水平高频分量，为f₀(x，y)变换后的垂直高频分量，为f₀(x，y)变换后的对角线高频分量，φ(-x，-y)为尺度函数，为相应的小波；x和m均为图像的横向坐标，y和n均为图像的纵向坐标；本实施例中，步骤201中的小波

为Daubechies小波。

202、处理器3调用对数变换模块，将经二维小波变换后的低频分量变换到对数空间，得到：

203、处理器3调用卷积计算模块，并使用k种不同的高斯滤波系数F_k(x，y)与对数空间中的低频小波系数I(x，y)进行卷积计算，得到：

其中，k为高斯滤波系数的种类数；

204、处理器3调用加权平均计算模块，对卷积计算所得结果g_k(x，y)与对数空间中的低频小波系数I(x，y)的偏差进行加权平均计算，得到： $R(x,y)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{W}_k\{I(x,y)-g_k(x,y)\},$ 其中，N为不小于3的自然数；

本实施例中，步骤204中N取值为3。根据大量实验发现，对于大多数图像而言，选取3个尺度就可以满足动态范围压缩和色泽感一致性的要求。

205、处理器3调用均值方差归一化处理模块，对步骤204中所得到的加权平均结果R(x，y)进行灰度值线性拉伸，得到：R′(x，y)＝G×R(x，y)+offset， $R^{\′\′}(x,y)=255\×\frac{R^{\′}(x,y)-r_{\min }}{r_{\max }-r_{\min }},$ 其中，R′(x，y)为图像小波系数的变换输出值，R″(x，y)为均值方差归一化后用来显示的灰度值，G为增益系数，offset为R′(x，y)的偏移量，r_min为修正后图像小波系数中的最小值，r_max为修正后图像小波系数中的最大值；

本实施例中，步骤205中G取值为3，offset取值为50。根据大量实验发现，加权平均结果R(x，y)会出现负值，即超出显示的范围，因此需要用G/offset方法进行修正，当G取值为3，offset取值为50时，能够得到很好的用来显示的灰度值R″(x，y)。

206、处理器3调用二维小波反变换模块，将步骤201中所得到的小波域中的三种高频分量

和

与步骤205中所得到的用来显示的灰度值R″(x，y)作二维小波反变换，得到分辨率为M×H的图像f₁(x，y)，其中M和H均为自然数；

207、重复步骤一与步骤二中的步骤201～206，对L个图像信号进行采集、处理，处理器3调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取，得出L个图像的特征P，其中，L为自然数；

本实施例中，步骤207中处理器3调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取的步骤如下：

2071、将L个经过步骤206处理后的图像分别按行展开后再进行组合，形成一个L行、M×N列的矩阵X＝(x₁，x₂，x₃，Λ，x_L)^T；

2072、对矩阵X进行均值化，使得E(X)＝0；

2073、对矩阵X进行白化处理，使得E(X^TX)＝I；

2074、初始化独立分量的个数，使得n＝1，其中，n为独立分量的个数；

2075、初始化w_n，随机选取w_n＝w_n/||w_n||；

2076、根据公式w_n＝E{Xg(w_n ^TX)}-E{g′(w_n ^TX)}w_n，求取w_n；

2077、根据公式 $w_{n+1}=w_{n+1}-\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{w_{n+1}}^T{\mathrm{Cw}}_n{w}_n,$ 迭代出w_n+1；

2077、w_n＝w_n/||w_n||；

2078、判断步骤2077中得到的w_n是否收敛，如果w_n不收敛，返回步骤2075；

2079、取n＝n+1，在n＜M的情况下，重复步骤2074～2078，逐一提取出所有的独立分量；

20710、将各个独立分量构成矩阵S＝(s₁，s₂，Λ，s_P)^T，根据公式P＝FS^-1计算出L个图像的特征P。

步骤三、处理结果同步输出：步骤二中进行图像特征提取过程中，处理器3通过与其相接的显示器4对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示。

本实施例中，步骤207中进行特征提取之后，还需采用处理器3调用RBF神经网络分类识别模块，对步骤207中所得出的L个图像的特征P进行分类识别，得出图像分类识别结果并通过显示器4进行同步显示。

其中，所述RBF神经网络分类识别模块为MATLAB神经网络工具箱提供的神经网络设计、训练和仿真的函数。使用MATLAB神经网络工具箱可以非常方便地完成分类识别，在MATLAB神经网络工具箱中，有对应的函数完成所涉及到的全部计算任务，用户只要根据自己的需要调用相关函数即可实现，且这种分类识别的方法在现有技术中已有了广泛的应用。具体地，所述处理器3调用RBF神经网络分类识别模块，对步骤207中所得出的L个图像的特征P进行分类识别，得出图像分类识别结果的过程如下：

2081、设置输入向量和输出向量：其中输入向量为训练样本的特征，输出为该样本在训练样本中的序号，假设有L副训练样本，每个训练样本的特征为

(i＝1，2L L)，其中n为步骤2079中得出的独立分量的个数，则输入向量p＝[p₁，p₂，L，p_L]，输出向量T为L的单位矩阵I；

2082、确定训练的均方误差：本实施例中设置为0.0001，实际使用时可以根据情况来进行设定，RBF神经网络可以自动增加隐层神经元，直到满足均方误差，生成网络使用MATLAB中的newrb()函数，生成网络和训练网络可同时完成；

2083、给定一个输出：RBF神经网络通过sim()函数就可以得到一个输出。

本实施例中，所述处理器3为计算机。

综上所述，本发明从实用性角度考虑，借鉴Retinex理论的研究成果，提出了一种基于小波域多尺度Retinex模型(DWT-MSR)，并采用了采用独立成分分析法(ICA)和RBF神经网络分类识别法对经小波域多尺度Retinex模型(DWT-MSR)所得到的图像处理结果进行分类识别。具体地，本发明通过软硬件相结合的方式，先通过图像采集设备1采集图像信号并将其实时所采集的图像信号通过图像信号传输装置2上传给处理器3，处理器3调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值，得到图像f₀(x，y)；然后处理器3利用软件对图像f₀(x，y)进行特征提取：在二维小波变换后的小波域中，将其低频小波系数变换到对数空间，使用三种不同的高斯滤波系数和对数空间中的小波系数进行卷积操作，将三种标准偏差尺度下得到的结果进行加权平均，采用均值方差归一化的方法，对输出图像进行灰度值线性拉伸；小波域中其他三种高频系数保持不变，然后再将变换后的低频系数和高频系数作小波反变换，得到的新图像则为小波域多尺度Retinex模型的处理结果，其软件处理步骤如步骤一与步骤二中的步骤201～步骤206所述。步骤207和权利要求2描述的为采用独立成分分析法(ICA)对经小波域多尺度Retinex模型(DWT-MSR)所得到的图像处理结果进行分类识别的过程。本发明设计合理、实现方便且投入成本低，操作简便，图像处理速度快、效果好，提高了对光照变换的鲁棒性，实用性强。

为了验证本发明对光照变换的鲁棒性，本实施例中，采用如图3a所示的一幅光照不均匀的图像作为原始图像，依次对其采用常规的SSR方法、常规的MSR方法和本发明中的图像特征提取方法对其进行特征提取，采用常规的SSR方法对原始图像进行特征提取后得到的图像如图3b所示，采用常规的MSR方法对原始图像进行特征提取后得到的图像如图3c所示，采用本发明中的图像特征提取方法对原始图像进行特征提取后得到的图像如图3d所示。对比图3a、3b、3c和3d，可以看出，MSR方法的效果优于SSR方法，本发明的图像特征提取方法优于MSR方法。

为了进一步验证本发明所述的图像特征提取方法的有效性，对本发明所述的图像特征提取方法(DWT-MSR)与传统的灰色系统理论(GREY)、直方图均衡化算法(Hist)、拉普拉斯算子(Log)、抽取具有光照鲁棒性的特征点方法(Embossing)、基于光照模型方法(Quotient)、基于人类感知模型(SSR、MSR)算法进行比较。具体地，是在MATLAB的仿真环境下，以YaleB标准人脸库为实验对象，共选取11个人，每人30副照片进行实验，其中每人10副为训练样本，30副为测试样本，分别采用各种所要比较的图像处理方法对照片进行处理，处理后，首先采用常规的主成分分析法(PCA)对各种方法所得到的图像处理结果进行分类识别，其分类识别比较结果如图4所示；然后采用独立成分分析法(ICA)RBF神经网络分类识别法，也就是本发明中步骤207和权利要求2所描述的方法，对各种方法所得到的图像处理结果进行分类识别，其分类识别比较结果如图5所示。从图4和图5可以看出，本发明所述的图像特征提取方法(DWT-MSR)明显优于其它的算法。这是由于发明所述的图像特征提取方法(DWT-MSR)在考虑到图像均衡阴影部分的同时保留了图像的高频信息，变换后的图像不仅降低了光线的干扰，同时恢复了图像部分高频细节信息。而由于独立成分分析法(ICA)不仅考虑了信号的二阶统计特性，还考虑了高阶统计特性，其性能明显优于主成分分析法(PCA)。基于神经网络的方法识别率明显高于传统的方法，而且，当数据量急剧增大时，神经网络算法尤其体现出了它对大样本分类的优势。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (9)

1.一种具有光照鲁棒性的图像特征提取方法，其特征在于该方法包括以下步骤：

步骤一、图像信号的采集、上传及分辨率调整：图像采集设备(1)采集图像信号并将其实时所采集的图像信号通过图像信号传输装置(2)上传给处理器(3)，处理器(3)调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值，得到图像f₀(x，y)；

步骤二、图像特征提取：通过处理器(3)对步骤一中所得到的图像f₀(x，y)进行分析处理，得出图像的特征P，其分析处理过程如下：

201、二维小波变换：处理器(3)调用二维小波变换模块对图像f₀(x，y)进行二维小波变换，得到：

其中，

为f₀(x，y)变换后的低频分量，

为f₀(x，y)变换后的水平高频分量，

为f₀(x，y)变换后的垂直高频分量，

为f₀(x，y)变换后的对角线高频分量，φ(-x，-y)为尺度函数，

为相应的小波；x和m均为图像的横向坐标，y和n均为图像的纵向坐标；

202、处理器(3)调用对数变换模块，将经二维小波变换后的低频分量变换到对数空间，得到：

203、处理器(3)调用卷积计算模块，并使用k种不同的高斯滤波系数F_k(x，y)与对数空间中的低频小波系数I(x，y)进行卷积计算，得到：

其中，k为高斯滤波系数的种类数；

204、处理器(3)调用加权平均计算模块，对卷积计算所得结果g_k(x，y)与对数空间中的低频小波系数I(x，y)的偏差进行加权平均计算，得到： $R(x,y)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{W}_k\{I(x,y)-g_k(x,y)\},$ 其中，N为不小于3的自然数；

205、处理器(3)调用均值方差归一化处理模块，对步骤204中所得到的加权平均结果R(x，y)进行灰度值线性拉伸，得到：R′(x，y)＝G×R(x，y)+offset， $R^{\′\′}(x,y)=255\×\frac{R^{\′}(x,y)-r_{\min }}{r_{\max }-r_{\min }},$ 其中，R′(x，y)为图像小波系数的变换输出值，R″(x，y)为均值方差归一化后用来显示的灰度值，G为增益系数，offset为R′(x，y)的偏移量，r_min为修正后图像小波系数中的最小值，r_max为修正后图像小波系数中的最大值；

206、处理器(3)调用二维小波反变换模块，将步骤201中所得到的小波域中的三种高频分量

和

与步骤205中所得到的用来显示的灰度值R″(x，y)作二维小波反变换，得到分辨率为M×H的图像f₁(x，y)，其中M和H均为自然数；

207、重复步骤一与步骤二中的步骤201～206，对L个图像信号进行采集、处理，处理器(3)调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取，得出L个图像的特征P，其中，L为自然数；

步骤三、处理结果同步输出：步骤二中进行图像特征提取过程中，处理器(3)通过与其相接的显示器(4)对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示。

2.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤207中进行特征提取之后，还需采用处理器(3)调用RBF神经网络分类识别模块，对步骤207中所得出的L个图像的特征P进行分类识别，得出图像分类识别结果并通过显示器(4)进行同步显示。

3.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述处理器(3)调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为128×128。

4.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤201中的小波

为Daubechies小波。

5.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤204中N取值为3。

6.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤205中G取值为3，offset取值为50。

7.按照权利要求1所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：步骤207中处理器(3)调用定点独立分量分析模块，对L个经过步骤201～206处理所得到的图像信号进行特征提取的步骤如下：

2071、将L个经过步骤206处理后的图像分别按行展开后再进行组合，形成一个L行、M×N列的矩阵X＝(x₁，x₂，x₃，Λ，x_L)^T；

2072、对矩阵X进行均值化，使得E(X)＝0；

2073、对矩阵X进行白化处理，使得E(X^TX)＝I；

2074、初始化独立分量的个数，使得n＝1，其中，n为独立分量的个数；

2075、初始化w_n，随机选取w_n＝w_n/||w_n||；

2076、根据公式w_n＝E{Xg(w_n ^TX)}-E{g′(w_n ^TX)}w_n，求取w_n；

2077、根据公式 $w_{n+1}=w_{n+1}-\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{w_{n+1}}^T{\mathrm{Cw}}_n{w}_n,$ 迭代出w_n+1；

2077、根据公式

和w_n+1＝w_n+1/||w_n+1||，迭代出w_n+1；

2078、判断步骤2077中得到的w_n+1是否收敛，如果w_n+1不收敛，返回步骤2075；

2079、取n＝n+1，在n＜M的情况下，重复步骤2074～2078，逐一提取出所有的独立分量；

20710、将各个独立分量构成矩阵S＝(s₁，s₂，Λ，s_P)^T，根据公式P＝FS^-1计算出L个图像的特征P。

8.按照权利要求2所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述RBF神经网络分类识别模块为MATLAB神经网络工具箱提供的神经网络设计、训练和仿真的函数。

9.按照权利要求1、7或8所述的一种具有光照鲁棒性的图像特征提取方法，其特征在于：所述处理器(3)为计算机。

Images