基于SIFT的图像配准新方法

Size: px

Start display at page:

Download "基于SIFT的图像配准新方法"

艰酆
5 years ago
Views:

1 基于 SIF 特征和广义紧互对原型对距离的遥感图像配准方法霍春雷 1, 周志鑫, 1, 刘青山 1, 卢汉清 1 1 中国科学院自动化研究所模式识别国家重点实验室, 北京,100080) 北京市遥感信息研究所, 北京,100854) 摘要 : 本文主要讨论 SIFScale Invarant Feature ransform) 及其在遥感图像配准中的应用首先介绍了基于特征点的遥感图像配准的一般框架 ; 针对基于特征点的遥感图像配准中的两个基本问题 : 鲁棒的特征点提取和特征点匹配, 本文提出了基于 SIF 特征点和广义紧互对原型对距离的遥感图像配准新方法, 并通过广义紧互对原型对的概念, 为不同的特征点匹配方法建立了联系与已有的相关工作相比, 该方法可以得到更多的匹配点对和正确的匹配点对数值试验证明了该方法的有效性和鲁棒性关键词 : 遥感图像配准 ;SIF; 广义紧互对原型对 ; 特征点匹配中图分类号 :N 文献标识码 :A Remote Sensng Image Regstraton Based on SIF and the Dstance Between Generalzed ght Par-wse Prototypes HUO Chunle 1, ZHOU Zhxn, 1, LIU Qngshan 1,LU Hanng 1 1 Natonal Laboratory of Pattern Recognton, Insttute of Automaton, Chnese Academy of Scences, Beng, ) Beng Insttute of Remote Sensng, Beng, ) Abstract: SIFScale Invarant Feature ransform) and ts applcaton on remote sensng mage regstraton s dscussed n ths paper. Frst, the keypont-based framework of remote sensng mage regstraton s descrbed; After analyzng robust feature extractor and keyponts matchng whch are two key problems n the mage regstraton, a new approach based on SIF and the dstance between generalzed tght par-wse prototypes for remote sensng mage regstraton s proposed; he relaton between dfferent matchng methods based on SIF s establshed by the concept of generalzed tght par-wse prototypes. Compared wth the related work, our method can get more number of correct pont matches and total number of pont matches. he expermental results demonstrate the robustness and effcency of the algorthm. Key Words: remote sensng mage regstraton; SIF; tght par-wse prototypes;keypont matchng 引言图像配准是指同一目标的两幅或者两幅以上 ) 图像在空间位置上的对准, 是遥感图像处理领域中的一个非常重要的问题, 是图像融合变化检测的基础现有的图像配准方法大致可以分为两类 : 基于区域的配准方法和基于特征的配准方法 [1,] 基于区域的配准方法通常直接利用图像区域的灰度信息, 建立两幅图像之间的相似性度量, 然后采用某种搜索方法, 寻找使相似性度量值最大的变换参数由于该方法利用了区域内所有像素的灰度信息, 所以配准精度较高, 但计算量大, 速度较慢, 对噪声和光照的鲁棒性较差基于特征的图像配准方法首先提取图像的不变特征点线面 ), 然后对这些不变特征进行匹配进而完成图像之间的配准点特征是图像配准中应用最多的特征, 称为特征点由于图像的特征点比区域内的像素点要少的多, 因此大大减少了配准过程的计算量稳定的特征点可以减少噪声的影响, 对灰度变化图像形变以及部分遮挡等都有较好的适应能力, 因此在图像配准领域得到了广泛应用目前的特征点提取方法有很多, 比如 : Harrs 特征点 [3] MICMnmum Intensty Change) 特征点 [4] SUSANSmall Unvalue Segment Assmlatng Nucleus) 特征点 [5] 等其中,D. G.

2 Lowe 提出的 SIF 特征点对尺度变化视角变化光照变化噪声有很强的鲁棒性 [6-8], 因此, SIF 在目标识别图像检索图像拼接等领域得到了广泛的关注 [9-11] 但是,SIF 在遥感图像配准的应用还比较少本文结合 SIF 的特点, 针对基于特征点的遥感图像配准方法中的特征点提取和特征点匹配这两个基本问题, 提出了基于 SIF 特征点和广义紧互对原型对距离的匹配新方法与原来的匹配算法相比, 该算法可以得到更多的匹配点对和正确的匹配点对本文的结构如下 : 首先介绍基于特征点的遥感图像配准的一般框架, 其次是 SIF 特征的提取与描述 ; 接着提出基于 SIF 特征和广义紧互对原型对距离的遥感图像配准方法 ; 然后给出实验 ; 最后得出结论. 简记为 : Ax=b 3) 利用最小二乘法可以解得变换系数 1 x [ A A] A b. 4) 然后用三次样条函数插值对待配准图像进行高精度重构结合基于特征点的遥感图像配准的一般框架和上述分析, 本文提出了基于 SIF 特征点和广义紧互对原型对距离的遥感图像配准新方法, 先用 SIF 方法提取稳定的特征点, 然后利用广义紧互对原型对距离作为相似性度量得到更多的匹配特征点, 用最小二乘法得到变换参数后, 对待配准图像用三次样条函数插值进行高精度重构 1 基于特征点的遥感图像配准的一般框架基于特征点的遥感图像配准的一般框架为 : 1) 提取两幅图像的特征点 ) 特征点匹配, 包括初始匹配和剔除外点 3) 利用匹配的特征点集和最小二乘法得到变换参数 4) 利用三次样条函数插值对待配准图像进行高精度重构其中 1) 和 ) 即特征点提取和特征点匹配, 是基于特征点的遥感图像配准的核心, 它们直接影响了配准的精度首先必须从两幅不同的遥感图像中提取足够数量的共同的特征点, 实际的遥感图像之间往往存在旋转伸缩平移等变换, 因此特征点提取方法必须具有尺度和旋转不变性 ; 另外由不同的传感器得到的遥感图像之间, 还存在光照视角变换以及形变等, 要求特征点提取方法对光照视角变换和形变等具有较强的鲁棒性为了得到较高的配准精度, 必须有足够数量的正确的匹配点对选择合适的匹配准则, 提高正确的匹配点对数, 减少错误的匹配点对, 是提高配准精度的有效途径关于 3) 和 4), 目前的方法基本上比较一致. 得到匹配的特征点对后, 目前常用的都是基于仿射变换和最小二乘法求得变换系数, 然后对待配准图像进行变换设 P 和 Q 为两幅遥感图像的对应的特征点集, 假设图像之间的变换为仿射变换, 则对任一 x, y ) P, u, v ) Q, 应满足 : u a t 1 a x x 1) v a a y t 3 4 y 即 x 0 y x y a1 a ) 1 0 a 3 u 0 1 a4 v t x t y SIF 特征的提取与描述 SIF 是一个变换, 它把一个图像变换成一些具有尺度不变的特征的集合 SIF 算法首先在尺度空间进行特征点检测, 确定特征点的位置和特征点所处的尺度, 然后利用其邻域像素的梯度方向计算该点的主方向, 以实现算子对尺度和方向的无关性, 最后对每个特征点构造相应的特征描述子以便对不同图像的特征点进行匹配具体的的步骤如下 :.1 检测图像尺度空间可能的特征点 Harrs 方法的一个缺点就是不具有尺度不变特性 [1], 因此给不同尺度下的图像配准带来了困难相对于 Harrs 方法而言,SIF 的最大优点就解决了 Harrs 方法中尺度相关的问题 SIF 方法通过在图像二维平面空间和尺度空间同时寻找局部极值点以实现尺度不变性,Lndeberg 已经证明高斯函数是尺度空间核函数中唯一的线性核 [7] 假设图像 Iy), 经过不同尺度的高斯滤波得到的图像为 : L ) G ) I y) 5) 其中 1 x y ) / G ) e 6) 如果把看成是尺度变量, 那么在尺度空间中, 不同的 G ) 就组成一个 Octave 对图像进行高斯差分 DoG) 滤波的结果实际上就是两组不同尺度的高斯滤波后得结果的差 : D ) G k ) G )) I y) L k ) L ) 7) k 可视为两层相近的尺度之间的比例为了计算的方便, 令 k ^ 1/ s), 其中 s 为一个 Octave 之间的层数这样定义高斯差分函数的另外一个原因是为了使高斯差分函数与高斯滤波器的拉普拉斯算子具有相似的稳定性我们看到 DoG 函数中的极值点是和尺度无关的 SIF 正是利用这一特性, 选择 DoG 函数的极值点极大值点或极小值点 ) 作为候选特征点, 即如果一个像素点在它的 6 个邻

9) 为了增强匹配稳定性, 需要删除一些不稳定的特征点, 如对比度比较低的点将 9) 式代人 8) 式得 : D D Xˆ 1 ) D Xˆ X D Xˆ ) 可以用来衡量特征点的对比度, 即如果 D Xˆ ), 则 Xˆ 为不稳定的特征点在 [7] 中, 0.

3 域里上一个尺度的 9 个点, 该尺度的 8 个点, 下一个尺度的 9 个点 ) 是局部极值点, 则把该点作为候选的特征点. 去除不稳定的特征点得到候选的特征点后, 还需要利用其周围的数据对特征点进行精确的定位 SIF 特征是通过拟和三维二次函数来精确确定特征点的位置和尺度的, 在候选的特征点处用泰勒展开式得到 : D 1 D DX) D X X X 8) X X 上式中, X ), D 是 D x, ) 在候选特征点处的值令 D X ) 0, 可以得到特征点的精确位置和尺 X 度 : 1 ˆ D D. 9) 为了增强匹配稳定性, 需要删除一些不稳定的特征点, 如对比度比较低的点将 9) 式代人 8) 式得 : D D Xˆ 1 ) D Xˆ X D Xˆ ) 可以用来衡量特征点的对比度, 即如果 D Xˆ ), 则 Xˆ 为不稳定的特征点在 [7] 中, 0.03 由于 DoG 算子会产生较强的边缘响应, 即使很弱的噪声也会导致边缘上的特征点很不稳定为了去除边缘上的不稳定的特征点, 构造特征点周围高斯差分图像的 Hessan 矩阵 H: Dxx Dxy H. 10) Dxy Dyy 类似 Harrs 方法 [3], 用下式判断特征点是否位于边缘 : 如果 H 的特征值相差较大, 则特征点很可能在边缘上如果 r H ) r 1), 则该点是边缘上的点, 在 [7] Det H ) r 中, r 10.3 计算特征点的主方向为了使得到的特征点具有旋转不变性,SIF 采用方向直方图来确定它的主方向具体的做法是 : 对于每一个特征点, 首先计算以该点为中心的邻域内的点的梯度的方向, 该邻域内的每一个点的梯度的模乘以一个高斯函数作为权重, 用投票的方式决定该特征点的主方向.4 计算特征点的特征描述子经过上面的三个步骤, 已经得到了特征点的位置尺度和主方向, 这些参数使得特征点对尺度和方向具有不变性为了提高特征点的区分度,SIF 采用了局部图像区域方向直方图作为特征描述子的特征向量现在需要构造特征描述子, 使其尽量对光照和视角变化具有不变性, 常用的方法是用特征点周围的子窗口用互相关函数作为相似性度量进行匹配, 但是这种方法对仿射变换视角变化光照都太敏感 SIF 的具体做法是 : 如图 1d) 所示, 把每个特征点附近的的窗口切成 4 4 的子窗口, 首先将每一个像素的梯度方向旋转为特征点的主方向, 然后利用高斯平滑滤波为每一个方向做加权, 再在每一个子窗口中计算它的方向直方图这样, 每个特征点都可以得到一个 18 维的特征向量最后对得到的特征向量进行归一化处理, 以减少光照对 a. 建立尺度空间 b. 检测可能的特征点 d. 计算特征点的特征描述子 c. 计算特征点的方向图 1 SIF 方法提取特征点的过程 Fg.1 Keypont extracton based on SIF. a)scale space constructon.b)potental keypont extracton.c)orentaton computaton.d)keypont descrpton.

4 比度变化的影响梯度方向直方图反映了图像的结构信息, 并且经过归一化后可以去除光照的影响, 而梯度的计算本身与光照无关, 所以特征向量对光照的仿射变换是不变的 SIF 的详细算法参见文献 [7], 图 1 描述了 SIF 方法提取特征点的过程 3 基于广义紧互对原型对距离的 SIF 特征点匹配得到两幅图像的特征点后, 必须先找到相互对应的特征点, 即特征点匹配问题, 特征点匹配的好坏直接影响后续的匹配性能下面我们先回顾一下常用的特征点匹配方法, 并分析其约束条件, 然后提出一种基于广义紧互对原型对距离的特征点匹配方法 3.1 SIF 特征点匹配及约束条件分析我们首先分析 D. G. Lowe 的 SIF 特征点初始匹配算法设 P 和 Q 分别为两幅图像的 SIF 特征点集合, 对于 P 中的任一特征点 p, 在 Q 中与 p 的特征向量的欧式距离最小的两个特征点为, 对应的欧氏距离为 d d, ' ' 始匹配阶段存在较多的错误匹配, 而在剔除外点阶段, 由于这些错误匹配对 RANSAC 等算法的影响, 不能把所有的错误的匹配剔除掉, 所以最终的匹配点对中仍存在较多的错误匹配 3. 基于广义紧互对原型对距离的 SIF 特征点匹配从上面的分析可以看出, 不同的约束条件将会得到不同的匹配方法和匹配结果为了便于分析, 我们首先介绍紧互对原型对的概念, 并在此基础上提出了广义紧互对原型对单向广义紧互对原型对的概念定义 1 设 P 和 Q 为两个特征点集, 则对任一 Q, 称 p, ) 为紧互对原型对, 如果满足 : d p, ) mn d p, ) mn d p, ) l k lq pkp p P, 其中 d p, ) 为 p 和对应的特征向量的欧氏距离且 d d ', 如果 d < d ' *, 则认为 p 与为对应的定义设 P 和 Q 为两个特征点集, 则对任一 p P, Q, 匹配点对, 是一个预先设定的阈值, 表示特征点的显著性, 不同的应用可以取不同的, 在 [7] 中, =0.8 利用这样的规则, 可以得到两个特征点集之间的初始匹配得到的初始匹配点集中可能存在一些错误的匹配, 可以利用 RANSAC 等算法剔除错误的匹配对于相似性度量 S, 如果 S p, ) mn S p, ), 表明是 Q 中与 l lq p 最相似的特征点 ; 如果 S p, ) mn S p, ), 则 p 不是 P 中与 k pk P 最相似的特征点, 此时我们不应把 p 与作为对应的匹配点对所以鲁棒的特征点匹配算法应该满足这样的特性 : 如果 p 与为对应的匹配点对, 则 S p, ) mn S p, ) 且 k pk P l lq S p, ) mn S p, ), 反之亦然对于 D. G. Lowe 的 SIF 特征点初始匹配算法, 因为 d < ' d * 1 ), 所以 d p, ) mnd p, l), 但不能保证 lq d p, ) m d pnk, ), p, ) 有可能不是正确的匹 pkp 配点对 ; 所以按照 D. G. Lowe 的特征点初始匹配算法, 就会把一些错误的匹配点对当作正确的匹配点对, 这样导致在初称 p, ) 为单向广义紧互对原型对, 如果满足 : 1) d p, ) mn d p, ), l lq ) d p, ) mn d p, ) * 其中 1 lq, l l 为了叙述的方便, 分别称满足紧互对原型对单向广义紧互对原型对定义条件的特征点对 p, ) 之间的距离为紧互对原型对距离单向广义紧互对原型对距离对比 D. G. Lowe 的特征点匹配方法并结合上述定义, 容易看出 :D. G. Lowe 提出的 SIF 特征点初始匹配算法实际上就是基于单向广义紧互对原型对距离的, 称为基于单向广义紧互对原型对距离的匹配算法基于单向广义紧互对原型对距离的匹配算法可以简洁的叙述为 : 如果 p ) 是单向广义紧互对原型对, 则 p 和是匹配点对, 为了利用更多的约束条件来改善特征点匹配的性能, 我们提出了广义紧互对原型对距离及改进的特征点匹配算法即基于广义紧互对原型对距离的特征点匹配定义 3 设 P 和 Q 为两个特征点集, 则对任一 p P,

5 Q, 称 p, ) 为广义紧互对原型对, 如果满足 : 1) d p, ) mn d p, ) mn d p, ), l k lq pkp ) d p, ) mn d p, )*, lq, l 3) d p, ) mn d p, )* 其中 1 若 pkp, k k l 在此基础上, 我们提出了改进的 SIF 特征点匹配算法 : d p, ) mn d p, ) * lq, l d p, ) mn d p, ) *, 则 p 和是匹配点对我们 pkp, k k 的匹配算法是基于广义紧互对原型对距离的, 称为基于广义紧互对原型对距离的匹配算法基于广义紧互对原型对距离的匹配算法可以简洁的叙述为 : 如果 p ) 是广义紧互对原型对, 则 p 和 l, 且是匹配点对显然, 当 p, ) 和, p ) 均为单向广义紧互对原型对时, p, ) 就是广义紧互对原型对, 所以广义紧互对原型对集合是单向广义紧互对原型对集合的一个子集与单向广义紧互对原型对集合相比, 广义紧互对原型对集合剔除了一些错误的匹配点对不同的可以得到不同的广义紧互对原型对集合, 当 1 时, 条件 ) 和 3) 自然满足, 广义紧互对原型对与紧互对原型对等价, 所以紧互对原型对是广义紧互对原型对的一个特例此时, 我们的特征点初始匹配算法为 : 如果 p, ) 是紧互对原型对, 则 p 和是匹配点对, 称此匹配算法为基于紧互对原型对距离的匹配算法从上面三个定义的条件可以看出, 广义紧互对原型对和紧互对原型对的约束条件都比单向广义紧互对原型强随着约束条件的增强, 一方面, 在初始匹配阶段, 更多的外点在初始匹配阶段被检测出来, 得到的初始错误匹配点对数减少 ; 另一方面, 在剔除外点阶段, 这些错误匹配对 RANSAC 等算法的影响减弱, 导致最后的总的匹配点对数和正确的匹配点对数增加, 从而提高了特征点匹配的性能实验结果验证了我们的方法的优越性 4 实验我们选择了多幅遥感图像设计了两组试验, 一组试验用来检测用 SIF 对遥感图像进行配准的有效性和鲁棒性其中图和图 3 为不同时间拍摄的同一场景的两幅图像, 两图像之间存在旋转伸缩平移另外, 为了验证该方法的鲁棒性, 对图像还添加了噪声, 并对图进行了扭曲和部分遮挡, 图 4 是配准后的图像为检验利用本文算法所得到的配准方法的精确性, 我们对图像进行了透明融合实验, 实验结果如图 5 所示, 可以看出图像融合效果很好大量的试验表明基于 SIF 的遥感图像配准方法可以得到较高的精度, 并且对噪声阴影形变部分遮挡视角变化都有很强的鲁棒性第二组试验用来比较基于广义紧互对原型对距离和基于单向广义紧互对原型对距离的 SIF 特征点匹配算法我们选择了三个匹配指标对其性能进行比较 : 总的匹配点对数正确的匹配点对数和正确的匹配率正确的匹配点对数 / 总的匹配点对数 ) 我们选择了 50 幅不同场景的遥感图像, 对每一幅图像, 按照如下规则対原始图像进行仿射变换生成新的待配准图像 : 固定尺度, 旋转角度从 -30 度到 30 度, 采样间隔为 5 度 ; 固定角度, 缩放倍数从 0.4 到 1, 采样间隔为 0.1, 这样, 对每一幅图像, 我们可以得到 0 幅新的图像, 总的新图像为 1000 幅然后用这些新图像与原始图像进行配准, 我们比较了三种不同的方法随尺度角度变化时匹配性能的变化, 基于广义紧互对原型对距离和基于单向广义紧互对距离匹配方法中取相同的图 6 是部分原始图像, 图 7 和图 8 是其中一幅图像用不同的方法得到比较结果, 其中 ppm 表示单向广义紧互对距离匹配方法,tppm 表示紧互对距离匹配方法,gppm 表示广义紧互对距离匹配方法, =0.8 通过大量的试验得出了相似的结论:1) 在总的匹配点对数正确的匹配点对数方面, 基于紧互对距离匹配方法优于基于广义紧互对距离匹配方法, 基于广义紧互对距离匹配方法优于基于单向广义紧互对距离匹配方法 ; ) 正确的匹配率反映了正确的匹配点对数随总的匹配点对数变化而变化的趋势, 表征匹配算法的稳定性与 gppm 对应的曲线最平坦, 所以广义紧互对距离匹配方法最稳定试验表明, 我们提出的两种方法的确比原来的方法鲁棒, 与单向广义紧互对距离匹配方法相比, 广义紧互对距离匹配方法和紧互对距离匹配方法可以得到更多的匹配点对和正确的匹配点对 ; 紧互对距离匹配方法最稳定 5 结论本文主要讨论了 SIF 及其在遥感图像配准中的应用, 首先介绍了基于特征点的遥感图像配准的一般框架 ; 然后针对基于特征点的遥感图像配准中的两个基本问题 : 鲁棒的特征点提取和特征点匹配, 提出了基于 SIF 特征点和广义紧互对原型对距离的遥感图像配准新方法, 并通过广义紧互对原型对距离的概念, 将 D. G. Lowe 的特征点匹配方法与本文的方法建立了联系与原来的匹配算法相比, 该算法

在特征点匹配方法有更好的性能, 数值试验也证明了该方法的有效性和鲁棒性实际上用特征点匹配求解变换参数是一个复杂的回归问题,

研究用 SIF 方法对多源遥感图像配准也是我们下一步的研究重点图参考图像图 3 待配准图像图 4 配准后的图像图 5 叠加后的透明图像

5 ransparent overlay result 图 6 部分原始图像 Fg.

6 在特征点匹配方法有更好的性能, 数值试验也证明了该方法的有效性和鲁棒性实际上用特征点匹配求解变换参数是一个复杂的回归问题, 最小二乘法只是其中最简单的一种, 不同的特征点匹配方法对最后的配准精度的影响是多方面的, 选择更稳健的回归方法提高配准精度是一个值得探索的问题研究用 SIF 方法对多源遥感图像配准也是我们下一步的研究重点图参考图像图 3 待配准图像图 4 配准后的图像图 5 叠加后的透明图像 Fg. Reference mage Fg.3 Sensed mage Fg.4 Regstered mage Fg.5 ransparent overlay result 图 6 部分原始图像 Fg.6 Some reference mages 图 7 不同匹配方法随旋转角度变化的性能比较 Fg.7 Matchng result vs rotaton 图 8 不同匹配方法随尺度变化的性能比较 Fg.8 Matchng result vs scale

7 参考文献 [1]Brown L., A survey of mage regstraton technues [J], ACM Comp. Survey., ): []Ztova B., Flusser J.. Image regstraton methods: A survey[j], Image Vso. Comp., 003,111): [3]Harrs C., Stephens M., A combned corner and edge detector[z]. Proc. of the 4th Alvey Vson Conference, 1988: [4]Smth S. M., Brady J. M., SUSAN-a new approach to low level mage processng [J]. Int. Journal of Computer Vson,1997,31): [5]rakovc M., Hedley M.,Fast corner detecton [J]. Image and Vson Computng,1998,161): [6]Lowe D. G.. Obect recognton from local scale-nvarant features [Z]. Proc. of the 7th Internatonal Conference on Computer Vson, Greece,1999: [7]Lowe D. G., Dstnctve mage features from scale nvarant keyponts[j]. Int. J. Computer Vson. 004,60): [8]Mkolaczyk K., Schmd C.. A performance evaluaton of local Computer Vson, France, 003: [10]Brown M., Lowe D.G., Recognsng panoramas[z], Proc. of the 9th Internatonal Conference on Computer Vson, France, 003: [11]Morad M., Abolmaesum P., Mousav P., Deformable regstraton usng scale space keyponts[z], Proc. of SPIE Medcal Imagng, San Dego, CA,006: [1]Schmd C., Mohr R.. Evaluaton of nterest pont detectors[j]. Internatonal Journal of Computer Vson, 000,37): [13]Lndeberg., Scale-space theory: A basc tool for analysng structures at dfferent scales[j]. Journal of Appled Statstcs, 1994,1):4 70. [13]Bentoutou Y., aleb N., Kpalma K., An automatc mage regstraton for applcatons n remote sensng[j], IEEE rans. on Geoscence and Remote Sensng,005, 439): [14]Ke Y.,Sukthankar R.. PCA-SIF: A more dstnctve representaton for local mage descrptors[z]. Proc. of the 004 IEEE Computer Socety Conference on Computer Vson and Pattern Recognton,004: [15] 边肇祺, 张学工, 模式识别第二版 )[M]. 北京 : 清华大学出版社,000 descrptors[j]. IEEE rans on Pattern Analyss and Machne Intellgence, 005,710): [9]Josef S., Andrew Z., Vdeo Google: A text retreval approach to obect matchng n vdeos[z]. Proc. of the 9th Internatonal Conference on

Microsoft Word - 系统建设1.doc

Microsoft Word - 系统建设1.doc 计算机系统应用 http://www.c-s-a.org.cn 20 年第 20 卷第 4 期一种高性能近红外光人脸检测和眼睛定位算法张昌明, 童卫青, 王燕群 ( 华东师范大学计算机科学技术系, 上海 20024) 摘要 : 提出了一种新型的近红外光人脸检测和眼睛