李安然,陳雪云
(廣西大學(xué) 電氣工程學(xué)院, 廣西 南寧 530004)
隨著計算機視覺技術(shù)的發(fā)展,使用計算機視覺對數(shù)字圖像目標(biāo)進行識別和定位的準(zhǔn)確性需求在不斷提高。
對于常規(guī)的圖像識別,通常是對識別圖像進行特征提取后,增強或消除圖像中的某些特征,再通過與目標(biāo)圖像特征的相似性和規(guī)律性進行對比,達到圖像識別的效果。局部二值模式(local binary patterns,LBP)特征是常見的圖像特征之一,它最初由OJALA等[1]提出,是一種有效非參數(shù)化的圖像局部紋理描述方法。其基本原理是通過以某個像素為中心,對領(lǐng)域像素依次進行灰度值比較,如果周圍像素灰度值大于中心像素灰度值,則該像素位置被標(biāo)記為1,否則標(biāo)記為0,按照固定方向即可串聯(lián)得到一個八位的二進制值(轉(zhuǎn)換成十進制后有256類),按此方法遍歷整張圖像后,即可得到圖像的LBP特征。一般來說,LBP方法能有效提取圖像的紋理信息,保留像素空間位置關(guān)系,且具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點,被廣泛應(yīng)用于多種目標(biāo)檢測場景。在圖像處理領(lǐng)域,LBP特征可以進行高效圖像分割[2];利用LBP特征可以進行USM圖像銳化檢驗[3]和圖像增強[4];對于高光譜圖像,LBP特征提取可以進行高光譜圖像分類[5]。在生產(chǎn)安全領(lǐng)域,通過LBP特征可以識別森林火災(zāi)[6];利用LBP特征提取可以進行柴油機失火故障分析[7]。通過對手掌紋理[8]、面部圖像[9]進行LBP特征提取,可以得到較高的人臉識別精度。在醫(yī)療和認(rèn)知學(xué)領(lǐng)域,劉曉虹等[10]提出了利用LBP特征進行肝臟CT圖像識別;利用腦電紋理圖像LBP特征,可以進行癲癇發(fā)作診斷[11];在此基礎(chǔ)上,LBP特征可以融合其他常見特征后進行中藥飲片識別[12]。
為了優(yōu)化LBP特征的維數(shù)及檢測精度,后人在此基礎(chǔ)上,通過對采樣半徑和采樣點數(shù)進行控制,提出了圓形LBP類型,但圓形LBP特征的檢測精度受到采樣參數(shù)的影響,在選取合適的采樣參數(shù)時耗費時間。文獻[13]根據(jù)二進制值跳變次數(shù)對模式類型進行歸類,提出了均值LBP特征,將原有的256類歸為59類,減小了特征維數(shù),但由于維數(shù)的過于缺少,導(dǎo)致檢測精度不佳。近年,陳家華等[14]使用雙線段采樣的方法,提出了局部雙線段模式(local lineal pattern, LLP),擴大了采樣鄰域,取得了較高的目標(biāo)檢測精度,但雙線段模式受到線段夾角影響,需要耗費時間調(diào)整參數(shù),同時擴大的采樣鄰域,增加了處理器的計算負(fù)擔(dān)。
針對上述缺陷,筆者提出了一種基于邏輯運算的局部二值化模式分類方法,該方法基于二進制值邏輯運算的思想,充分利用二進制值位數(shù)間的各個邏輯關(guān)系,對二進制值進行不同區(qū)域的邏輯運算,得到的邏輯組合值具有多種模式,豐富了LBP特征的模式層次,在減少特征維度的同時保證較高的檢測精度。
LBP特征的主要思想是根據(jù)某像素點與周圍像素點灰度值進行比較,以該點為圓心,生成一個半徑為R的圓,在圓上按照等間距分布設(shè)有n個采樣點,如果采樣點的灰度大于中心像素點的灰度值,則該采樣點的閾值標(biāo)記為1,否則標(biāo)記為0。按順序串聯(lián)所有采樣點的閾值,得到一個局部二值化矢量V:
(1)
此時V即是LBP的矢量表達。這里設(shè)中心像素為(xc,yc),ip表示采樣圓上像素灰度值,ic為中心像素灰度值。sign()是一個符號函數(shù):
(2)
由中心像素(xc,yc)得到的二值矢量V的十進制LBP特征值為:
(3)
由式(3)可知,按照傳統(tǒng)的八位LBP算法,一個中心像素可以產(chǎn)生256種不同的LBP值,在實際使用中,一張圖片產(chǎn)生的LBP特征維度會很大。為了提高檢測效率,文獻[1]提出了均值模式LBP的概念,這實際上是一種占比歸類的思想。在上述所有256類LBP值中,統(tǒng)計每個二進制代碼從0到1或從1到0的跳變次數(shù),例如00011110,跳變次數(shù)為2,10100000的跳變次數(shù)為3。當(dāng)跳變次數(shù)小于等于2時,保持其值不變,即定義了一個均值LBP;跳變次數(shù)大于2的LBP值,不作為均值模式LBP,另外將其歸為一類。經(jīng)過統(tǒng)計,均值模式LBP在整個LBP特征中占了85 %~90 %,而均值模式LBP只有58個特征,所以均值模式LBP的特征向量把原有的256維降到了58維,提高了特征提取效率。在實際使用中,其實是有59維,加上了跳變次數(shù)大于2的另外一類。
針對特征采樣區(qū)域固定,文獻[1]提出了采樣半徑為變量R的圓形LBP特征,實現(xiàn)多尺度的LBP特征提取。與傳統(tǒng)圓形采樣相反,文獻[14]提出的局部線段模式采用交叉線段結(jié)構(gòu)進行LBP特征提取,通過調(diào)整線段夾角實現(xiàn)采樣區(qū)域變換。
當(dāng)對一張圖片的尺寸進行調(diào)整時,如果采用原始的固定區(qū)域進行特征提取,提取結(jié)果將不一致。文獻[1]對此做出了改進,采用圓形LBP的方法。圓形LBP顧名思義是將像素選取的形狀從矩形變?yōu)閳A形,采樣范圍從臨近像素擴展到半徑為R的圓形所在的采樣像素位置。隨著半徑的增大或縮小,對周圍的像素采樣點數(shù)P也可以相應(yīng)增減,以實現(xiàn)不同尺度的LBP特征的提取。
上述的LBP特征提取方法本質(zhì)上都是基于對包圍鄰域的像素與中心像素對比求LBP值,而且大都用到了歸類的思想來簡化計算特征帶來的高維數(shù)特征值。文獻[14]提出局部線段模式(LLP),即將原有包圍鄰域的方法改為局部線段的方法,使用兩條相正交線段,以線段交點為中心,分別對每一條線段上任意個像素點按順序進行采樣,將兩條線段的LBP值相互串聯(lián)后就形成了LLP提取特征。采樣時,兩相交線段相對圖片的夾角固定為90°,線段可以與圖片有夾角,結(jié)果顯示線段與圖片的夾角在0°時具有最高的檢測精度??紤]到均值LBP對局部特征提取能力強,但發(fā)散性弱的特點,與LLP特征的廣域特點結(jié)合,后續(xù)該學(xué)者使用均值LBP的思想對LLP特征提取模式進行59類降維,即在原有的256類LLP值上進行0到58類歸類,在一定程度上降低了特征的維數(shù)和計算量。
本文提出的模式分類方法是建立在二值化矢量V的變換上,令γ代表V的變換函數(shù),其自變量為二值化矢量V,輸出為新的二值化矢量U。則定義局部二值矢量特征LVP(local binary vector pattern)定義為:
(4)
γ可以是任意變換函數(shù),本文僅討論基于局部塊的變換函數(shù),把二值化矢量V按照等間距,分割成順序相鄰的局部塊,塊長度允許長度為2,3,…。塊分割方式包括不重疊和部分重疊兩種,圖1和圖2給出了塊分割方式示例。
(a) 塊長度為2
(b) 塊長度為3
圖1 無重疊的塊長度分割
Fig.1 Separation of non-overlapping block
允許塊存在重疊的情況,如圖2所示:
(a) 重疊百分比為0 %
(b) 重疊百分比為50 %
圖2 不同重疊百分比的塊分割
Fig.2 Separation in different percentage overlapping block
本文討論的γ函數(shù)建立在對塊的邏輯運算基礎(chǔ)上,以塊長度為2為例,基本的邏輯運算函數(shù)β包括與、或、與非和或非,具體見表1。
表1 塊長度為2的基本邏輯運算β函數(shù)類表
γ函數(shù)可以寫成:
γ(V)=γ(β(V))=[β(b1),…,bi,…β(bm)]=U,
(5)
這里bi是第i個塊,i=1,…,m,假設(shè)V被分割成m個塊。
β函數(shù)為fun1時,γ函數(shù)在采樣點個數(shù)為8,塊長度為2,不同重疊百分比時的變換結(jié)果見圖3。
(a) β=fun1,塊不重疊的矢量變換結(jié)果
(b) β=fun1,塊重疊50 %的矢量變換結(jié)果
顯然,塊的長度和塊是否重疊對變換后輸出矢量的長度有嚴(yán)重的影響。
為了解決根據(jù)塊長度運算后輸出矢量過小的問題,可以考慮將2個以上的基本邏輯函數(shù)輸出值串接起來。
對應(yīng)γ函數(shù)形式如下:
(6)
這里#=2表示fun1和fun2串接,以此類推。為了解決塊長度為2重疊比為0 %時,輸出矢量長度過小的問題,可以考慮將任意2個邏輯函數(shù)的四位輸出二值矢量按照低四位和高四位的方法組成新的八位二值矢量,拼接如下:
(7)
產(chǎn)生新八位二值矢量也可按照式(6)的邏輯函數(shù)輸出值串接如下:
(8)
當(dāng)塊長度為2,重疊比為0 %時,以基本邏輯運算函數(shù)fun1和fun2為例的輸出串接結(jié)果見圖4。
圖4 fun1和fun2串接,塊長度為2,不重疊的矢量變換結(jié)果
為了研究本文算法的改進情況,增加說服力,筆者在研究LBP特征改進時,主要使用的數(shù)據(jù)庫為公開的行人數(shù)據(jù)庫INRIA,該行人數(shù)據(jù)庫由7 000個含有行人的正樣本和3 000個沒有行人的負(fù)樣本圖像構(gòu)成,均是從2 573張高分辨率圖像中按照數(shù)據(jù)庫給定的標(biāo)定點裁剪后得到,裁剪后每個樣本可用像素大小為64×128。為了測試改進特征的實際效果,增加說服力并說明普遍適用性,本文使用了文獻[15]的遙感衛(wèi)星數(shù)據(jù)庫中的車輛和飛機兩種遙感目標(biāo)進行改進后特征的檢測結(jié)果。其中,車輛數(shù)據(jù)庫由4 000個車輛正樣本圖像和4 000個復(fù)雜環(huán)境下的非車輛負(fù)樣本圖像組成,飛機數(shù)據(jù)庫由4 000個飛機正樣本圖像和4 000個復(fù)雜環(huán)境下的非飛機負(fù)樣本圖像組成。所有車輛、飛機樣本數(shù)據(jù)均從100張高分辨率車輛遙感圖像和100張高分辨率飛機遙感圖像中標(biāo)定切割而來, 每個樣本大小均為48×48像素。部分行人、車輛、飛機數(shù)據(jù)庫的正負(fù)樣本如圖5所示。
為了減少遍歷像素帶來的特征高維數(shù)問題同時不丟失圖像的局部信息,本文根據(jù)數(shù)據(jù)庫樣本尺寸,對每張64×128大小的行人數(shù)據(jù)庫圖像進行金字塔3層分割。即按照樣本尺寸,按1×1、2×2、4×4的比例分割后,可以得到1+2×2+4×4=21個3種不同尺度的小塊;對每張48×48大小的遙感車輛和飛機數(shù)據(jù)庫圖像進行金字塔3層分割,即按照樣本尺寸,按1×1、3×3、4×4的比例分割后,可以得到1+3×3+4×4=26個3種不同尺度的小塊,再遍歷每個小塊內(nèi)的像素值。下面主要講解行人數(shù)據(jù)庫處理小塊的方法,遙感車輛和飛機數(shù)據(jù)庫處理小塊的方法與之一致。
根據(jù)統(tǒng)計直方圖的思想,對于金字塔分割后的每個小塊,依次遍歷像素計算小塊的LBP特征,對小塊每個像素點的LBP二值化矢量值進行邏輯函數(shù)運算。根據(jù)上文定義,計算后可得到新的n位LVP值,共有2n類,統(tǒng)計小塊中每類矢量值對應(yīng)2n類中的占比,于是得到由2n個類別占比組成的2n維特征向量,將所有21個小塊得到的2n維向量分別歸一化后互相串聯(lián),即可得到21×2n維邏輯處理后的特征向量。
(a) 行人正樣本
(b) 行人負(fù)樣本
(c) 車輛正樣本
(d) 車輛負(fù)樣本
(e) 飛機正樣本
(f) 飛機負(fù)樣本
以八位的LBP特征值為例,不同邏輯塊長度和重疊百分比對應(yīng)的LVP特征維數(shù)大小見表2。
表2 行人數(shù)據(jù)庫中不同邏輯區(qū)域處理后的特征維數(shù)
本文主要分析在行人數(shù)據(jù)庫上測試后的實驗結(jié)果。實驗選取2 416個正樣本和4 584個負(fù)樣本作為訓(xùn)練樣本,剩下1 126個正樣本和1 874個負(fù)樣本作為測試樣本。利用三層BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練行人樣本得到行人分類器,用此分類器對測試樣本進行測試,對比原始特征和經(jīng)過矢量變換后的測試精度來對本文提出的改進方法進行驗證。
本文用TP表示將正樣本預(yù)測為正樣本的樣本個數(shù),F(xiàn)N表示將正樣本預(yù)測為負(fù)樣本的樣本個數(shù),F(xiàn)P表示將負(fù)樣本預(yù)測為正樣本的樣本個數(shù),TN表示將負(fù)樣本預(yù)測為負(fù)樣本的樣本個數(shù),得到準(zhǔn)確率F1,精度PR,召回率RR的公式如下:
(10)
(11)
(12)
按照計算原理對行人數(shù)據(jù)庫進行LBP特征提取,使用初始化完成的三層BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練測試,初始隱層節(jié)點數(shù)默認(rèn)均為8個。表3列出了不同的LBP特征在行人測試樣本庫上的測試準(zhǔn)確率F1。ELBP(1,8)表示圓形LBP的采樣半徑為1個像素,采樣點數(shù)為8;ELBP(1.5,12)表示圓形LBP的采樣半徑為1.5個像素,采樣點數(shù)為12。特征維數(shù)根據(jù)單個樣本維數(shù)乘以塊數(shù)得到。原256類LBP、圓形LBP維數(shù)是256×21=5 376;均值LBP(ULBP)的維數(shù)是59×21=1 239,LLP線段與樣本圖像的夾角為0°,由于是雙線段,故LLP特征維數(shù)是均值LBP的兩倍,即2 478。LVP使用β函數(shù)為fun1,使用塊長為2,重疊比為0 %、 50 %和塊長為3,重疊比為66.7 %的混合變換方法??梢园l(fā)現(xiàn)使用LVP在較低維數(shù)下依然具有最高的正確率。圓形LBP的采樣半徑和采樣點數(shù)越大,精度越低。采用59類的方法維數(shù)最低。
表3 不同LBP特征在行人數(shù)據(jù)庫上的測試結(jié)果
表4給出了以原256類LBP特征為基礎(chǔ),局部塊長度為2,重合百分比為0 %的LVP分類測試精度。由結(jié)果可以看出,以兩位數(shù)不重合的區(qū)域進行邏輯運算后,特征的維數(shù)被明顯減小,但測試精度整體上稍差,多種邏輯混合的方法中,或和與非、或非和與非結(jié)合效果比其他邏輯運算好。塊長度為2,重疊百分比為0 %的LVP的召回率曲線見圖6,可以看出多個邏輯組合的效果明顯好于單個邏輯運算效果。
表4 局部塊長度為2,重合百分比為0 %的LVP在BP神經(jīng)網(wǎng)絡(luò)上的測試結(jié)果
圖6 局部塊長度為2,重合百分比為0 %的LVP的召回率曲線
Fig.6 LVP’s recall rate curve as block length is 2 and overlap percentage is 0 %
表5給出了以原256類LBP特征為基礎(chǔ),局部塊長度為2,重合百分比為50 %的LVP測試精度。結(jié)果顯示,塊重合百分比的增加對測試精度有了較明顯的提高,其中或非(fun3)、與非(fun4)、或非和與非(fun3+fun4)的檢測精度變化不大。
表5 塊長為2,重合百分比為50 %的LVP在BP神經(jīng)網(wǎng)絡(luò)上的測試結(jié)果
局部塊長度為2,重合百分比為50 %的LVP的召回率曲線見圖7,可以看到使用邏輯或、與和或非邏輯函數(shù)組合具有很好的檢測效果,四種邏輯混合的運算與之相差不大?;蚍呛团c非的運算即使單獨使用或是結(jié)合在一起,邏輯運算效果都沒有突出的表現(xiàn)。
圖7 局部塊長度為2,重合百分比50 %的LVP的召回率曲線
表6給出了兩個塊長度為2,重疊百分比為0 %,由雙四位重組為八位的LVP分類測試精度。結(jié)果顯示,除了或和或非(fun1+fun3)、與和與非(fun2+fun4)處理后的測試精度稍有下降外,其余邏輯處理后精度都有不同程度的提升。
表6 塊長度為2,重疊百分比為0 %,由雙四位重組為八位的LVP在BP神經(jīng)網(wǎng)絡(luò)上的測試結(jié)果
表7給出了以原256類LBP特征為基礎(chǔ),局部塊長度為3,重合百分比為66.67 %的LVP分類測試精度。整體上來說,塊長為3的邏輯運算后的測試精度并沒有塊長為2,有重疊比的運算后測試精度高,但是部分邏輯組合后可以達到較好的測試效果。
表7 局部塊長度為3,重合百分比為66.67 %的LVP在BP神經(jīng)網(wǎng)絡(luò)上的測試結(jié)果
圖8給出了局部塊長度為3,重合百分比為66.67 %的LVP的召回率曲線,其中最好的是邏輯或和邏輯與的混合運算,單獨的與非和或非運算后的結(jié)果最差,在混合邏輯運算中表現(xiàn)也不是很出色。
圖8 塊長為3,重疊比66.67 %的LVP特征的召回率曲線
表8給出了上述測試精度相對較高的塊長為2,重疊比為50 %,γ函數(shù)為fun2的LVP在BP神經(jīng)網(wǎng)絡(luò)不同結(jié)構(gòu)時的測試精度。表8中的BP(m,2)表示三層BP神經(jīng)網(wǎng)絡(luò),隱層節(jié)點數(shù)為m,輸出層節(jié)點數(shù)為2。本文實驗選用了5種BP網(wǎng)絡(luò)結(jié)構(gòu),結(jié)果顯示隱層節(jié)點數(shù)為8時精度最高。
表8 LVP在不同BP網(wǎng)絡(luò)上的準(zhǔn)確率
從前文的分析知,單獨使用邏輯或(fun1)和邏輯與(fun2)函數(shù)處理后的LVP檢測精度相對較高,可以對同一個二值矢量進行多個塊長度和塊重疊百分比的與、或邏輯運算。表9給出了塊長度為2,重疊比為0 %,50 %,以及塊長為3,重疊比為66.67 %的LVP混合串聯(lián)運算方法測試精度??梢钥吹交旌蠅K長度和對應(yīng)重疊比能提高檢測精度,其中塊長度為2,重疊比為0 %,50 %,以塊長為3,重疊比為66.67 %混合后的精度最好。
根據(jù)上述結(jié)論,通過邏輯運算的LBP分類方法能在一定程度上提高目標(biāo)檢測的精度。圖9給出了混合使用3種不同塊長度和對應(yīng)重疊比的邏輯或和邏輯與LVP運算后原256類LBP特征的行人實際檢測效果圖。使用多尺度滑塊的檢測窗口,檢測后采用非極大值抑制得到檢測效果圖??梢钥闯鰧D中完整的行人能有較好的識別能力。受到檢測框定程序的一定影響,檢測結(jié)果存在部分框定的偏差。
表9 3種邏輯區(qū)域混合的LVP在BP神經(jīng)網(wǎng)絡(luò)上的測試結(jié)果
圖9 邏輯或和邏輯與LVP運算后的行人檢測效果圖
Fig.9 Test result on pedestrian database using LVP with logic-and and logic-or
為了體現(xiàn)該邏輯運算的適用性,本文對高清遙感衛(wèi)星圖像中的車輛和飛機目標(biāo)進行檢測,對48×48大小的樣本進行1×1、3×3、4×4比例的金字塔分割,其余操作與行人數(shù)據(jù)庫一致。圖10給出了混合使用三種不同塊長度和對應(yīng)重疊比的邏輯或和邏輯與LVP運算后原256類LBP特征的車輛和飛機實際LVP檢測效果圖,檢測方法與上述行人檢測方法一致。結(jié)果顯示,絕大部分的飛機和車輛都能被識別,少部分誤測發(fā)生在與目標(biāo)相似度極高的情況下,說明該分類方法具有一定通用性。
通過上述的實驗可以得出,在使用單獨邏輯塊長度運算時,使用塊長為2,重疊比為0 %的LVP檢測精度最低,塊長為3的LVP檢測精度開始下降,兩者相對于檢測效果最好的塊長為2,重疊比為50 %的LVP來說,邏輯函數(shù)運算的區(qū)域減少,說明邏輯運算區(qū)域的減少將增加二值信息的細節(jié)損失,而使用3種邏輯塊長度混合的方法能更有效增加二進制值細節(jié)信息,增加LBP的模式種類。比較4種邏輯函數(shù)形式,采用邏輯或和邏輯與的測試精度具有較大優(yōu)勢,所以采用兩種邏輯函數(shù)結(jié)合的方法能深度挖掘二值信息。比較四類LBP特征,原256類LBP特征依然具有較高的檢測精度,圓形LBP受到了采樣半徑擴大后的影響,信息表達不全面;均值LBP和LLP受到59類歸類的影響,減少了兩次以上跳變的二值信息,降低了檢測的精度。
為了對比該矢量變換的方法對二值化矢量的分類均衡性,在三個數(shù)據(jù)庫的前兩百張樣本中使用原256類LBP、59類LBP和混合邏輯塊長度運算后的208類LVP(塊長為2,重疊比0 %的16類、塊長為2,重疊比50 %的128類和塊長為3,重疊比66.7 %的64類結(jié)合)分別做特征提取,對應(yīng)類別歸類。對比各類別中的占比中位數(shù)、類標(biāo)準(zhǔn)差和最大占比。占比中位數(shù)是對各類占比按大小順序排列后,排列于中間的類的占比,可以直觀看出中間數(shù)據(jù)以及與最大最小值的差距;類標(biāo)準(zhǔn)差是各類占比與平均值差值平方和的開方,用于表現(xiàn)各類占比的波動大小,其中不同類的占比平均值為1/總類數(shù)。最大占比是所有類中占比最大的值,用于與占比中位數(shù)比較。按照上述方法對三種數(shù)據(jù)庫前500個正負(fù)樣本處理歸類后,得到的數(shù)據(jù)如表10所示。三種情況下,類最小占比均為0,此處未列出。
圖10 邏輯或和邏輯與LVP運算后車輛、飛機數(shù)據(jù)庫檢測效果圖
在表10中可以看到59類LBP在忽略了兩次以上的跳變后導(dǎo)致信息缺失的同時,還導(dǎo)致了分類的極度不平衡;256類LBP雖然沒有信息損失,但由于分類類別過多,二值化矢量分類也極端不平衡,占比中位數(shù)和類最大占比差距有時可達上百倍,遠不是期望的分類均衡效果?;旌线壿媺K長運算后的208類LVP在保持了全部像素信息的同時,占比中位數(shù)和類最大占比的差距也只有十幾倍,可見該分類方法將LBP種類的均衡性大大提高,特征得到了加強。
表10 3種類別的LBP歸類數(shù)據(jù)表
本文研究了一種基于矢量變換運算的局部二值化模式目標(biāo)分類方法。針對局部二值模式存在的分類不平衡和分類信息丟失的問題,使用區(qū)域邏輯函數(shù)運算的方法對LBP二值矢量進行不同塊區(qū)域、不同邏輯形式的運算,加強LBP特征的二值信息表達和分類平衡。對公用數(shù)據(jù)庫INRIAPerson行人數(shù)據(jù)庫和GUI_image遙感車輛、遙感飛數(shù)據(jù)庫測試發(fā)現(xiàn),局部二值矢量特征LVP下,當(dāng)邏輯運算β函數(shù)為fun1,使用塊長為2,重疊比0 %、 50 %和塊長為3,重疊比66.7 %混合變換方法效果最好,在行人數(shù)據(jù)庫中,或運算識別正確率提升了2.03 %,達到98.93 %;在車輛數(shù)據(jù)庫中,用該方法使正確率提高了3.70 %,達到94.15 %;在飛機數(shù)據(jù)庫中,用該方法使正確率提高了4.65 %,達到94.10 %。說明基于矢量變換的局部二值化模式分類方法對LBP特征有較好的改進效果,具有一定的實用價值。