基于距离度量学习的煤岩识别方法.pdf

第 4 3卷 第 5期 2 0 l 7年 5月 工矿 自 动 化 I ndu s t r y a nd M i ne Aut o mat i o n Vo 1 ． 4 3 NO ． 5 M a y 2 0 1 7 文章 编 号 1 6 7 1 2 5 1 X 2 0 1 7 0 5 0 0 2 2 0 5 DO I 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 1 x ． 2 0 1 7 ． 0 5 ． 0 0 6 伍 云霞 ， 申少飞． 基于距离度量学习的煤岩识别方法口] ． 工矿 自动化 ， 2 0 1 7 ， 4 3 5 2 2 2 6 ． 基于距离度量学习的煤岩识别方法 伍 云 霞 ， 申少飞 中国矿业大学 J L 京机 电与信息工程学院，北京 1 0 0 0 8 3 摘 要 提 出 了一 种基 于距 离度 量 学 习的煤岩 识别 方 法 。该 方 法首 先从 煤 岩 图像 训 练 集 中提 取 煤岩 图像 特征 ； 然后 学 习到特 定的 距 离度 量 ， 使得 煤样 本特 征 间 、 岩 石样 本特征 间距 离变 小 ， 煤样 本特 征 与岩石 样本 特 征 间距 离变 大 ， 以提 高分 类识 别效 果 ； 最后 采 用分类 器进 行 煤 岩识 别 。 实验 结果 表 明 ， 对 于煤 岩 样 本 图像 的 L B P特征 、 HOG特征、 GI C M 特征 ， 与基于欧式距 离、 I ． D A、 I TML的煤岩识别方法相 比， 该方法具有更高的 煤岩 识 别率 。 关键 词 煤 岩识 别 ； 分 类识 别 ； 煤 岩特征 提 取 ；距 离度 量 学 习 中 图分类 号 T D 6 7 文 献标 志码 A 网络 出版时 间 2 0 1 7 - 0 4 2 5 1 7 4 6 网络 出版 地址 h t t p ／ ／ k n s ． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． TP ． 2 0 1 7 0 4 2 5 ． 1 7 4 6 ． 0 0 6 ． h t ml Co a l r o c k r e c o g n i t i o n me t ho d b a s e d o n d i s t a nc e me t r i c l e a r ni n g W U Yu nx i a． SH EN S ha o f e i S c h o o l o f M e c h a n i c a l El e c t r o n i c a n d I n f o r ma t i o n En g i n e e r i n g，Ch i n a Un i v e r s i t y o f Mi n i n g a n d Te c h n o l o g y Be i j i n g ，B e i j i n g 1 0 0 0 8 3 ，C h i n a Ab s t r a c t A c oa l r oc k r e c o gni t i o n me t ho d b a s e d o n d i s t a nc e m e t r i c l e a r ni n g wa s pr o po s e d． I n t he m e t ho d，f e a t ur e s of c o a l r oc k i ma g e s a r e e x t r a c t e d f i r s t l y f r o m t r a i ni ng s e t s o f c oa l r o c k i m a g e s ．The n a f i t d i s t a n c e m e t r i c i s go t t e n，whi c h c a n ma ke d i s t a nc e be t we e n a ny t wo f e a t ur e s o f c oa l s a mpl e s o r t he o ne s o f r o c k s a mpl e s s m a l l e r a nd di s t a nc e be t we e n f e a t ur e s o f c o a l s a m p l e s a nd r oc k s a m pl e s b i gg e r ， S O a s t o i m p r ov e c l a s s i f i c a t i on a n d r e c og ni t i o n e f f e c t ． Fi n a l l y， c l a s s i f i e r i s us e d t o r e c o gn i z e c o a l r o c k． Th e e x p e r i m e nt a l r e s ul t s s ho w whe n e x t r a c t e d c o a l r o c k f e a t u r e s a r e LBP， H 0G o r GLCM f e a t ur e s， t h e me t h od ha s hi ghe r c o a l r o c k r e c og ni t i o n r a t e t ha n c o a l r o c k r e c o g ni t i on m e t ho ds ba s e d o n Eu c l i d e a n d i s t a nc e．LDA or I TM L． Ke y wo r ds c oa l r oc k r e c o g ni t i on；c l a s s i f i c a t i o n a nd r e c o g ni t i o n；c o a l ～ r oc k f e a t ur e e xt r a c t i o n；di s t a n c e me t r i c l e a r n i ng 0 引言 目前煤岩 自动识别技术主要有基于物理探测技 术的煤岩识别方法Ⅲ和基于计算机视觉的煤岩识别 方法两大类。基于物理探测技术 的煤岩识别方法复 杂、 可靠性差 ， 在实际应用中难以推广 。基于计算机 视觉的煤岩识别方法具有处理直观、 可靠性高、 通用 性强 、 易于实施等特 点， 文献 E 2 6 ] 均采用煤 岩图像 进行 煤岩 分类 识别 研究 。 近年 来 ， 随着 计算 机视 觉方 法 的发展 ， 基 于距离 度 量学 习[ 7 1 2 ] 的研 究 越 来 越 多 ， 并 且 取 得 了 良好 的 分类识别效果。尤其是在人脸识别领域， 受图像中 收稿 日期 2 0 1 6 - 1 0 0 1 ； 修回 日期 2 0 l 7 - 0 3 3 1 ； 责任编辑 李明。 基金项 目 国家重点研 发计划 资助项 目 2 0 1 6 YF C 0 8 0 1 8 0 0 ； 国家 自然科学基金重点资助项 目 5 1 1 3 4 0 2 4 。 作者简介 伍云霞 1 9 6 9 一 ， 女 ， 湖北天门人 ， 副教授 ， 博士 ， 主要从事煤 岩识别方面 的研究工作 ， Ema i l a n g i l ． WU 1 6 3 ． c o m。 ◆ ～ 究 一 ～研 一 ～验 一 ～ 实 一 _． ◆ ．． 2 0 1 7年 第 5 期 伍 云 霞等 基 于距 离度 量 学 习的煤 岩识 别方 法 2 3 人物年龄、 表情、 姿势， 光照， 拍摄角度 、 时间等复杂 因素的影响 ， 传统人脸识别算法的识别准确率较低 ， 因此研究者尝试通过机器学习方法进行人脸识别 ， 其 中一个解决方法 即距离度量学习， 有效提 高了分 类器的识别率。在计算机视觉中的煤岩识别领域 ， 煤 岩 图像拍 摄环 境 的复杂 性 、 光照 、 拍摄 角度 等都 对 煤 岩 图像识 别产 生 巨大 影 响 ， 本 文参 考 基 于 距 离 度 量学习的人脸识别方法 ， 提出了基于距离度量学 习 的煤岩识别方法 ， 其原理如图 1所示。该方法通过 煤岩图像训练集提取已知类别 的煤岩图像 特征集 ， 学习到一个合适的、 鲁棒性强的距离度量 ， 使同类特 征间距离变小 、 异类特征间距离变大 ， 用分类器进行 煤岩分类 ， 得到更好 的分类识别效果 。 煤岩 图像 训练集 煤岩图像测试集 煤 或岩石 图 1 基 于距 离度量学习的煤岩识别方法原理 l 基 于距 离度 量 学 习的煤岩 识别 方 法原理 1 ． 1 方 法基本 思 想 基于距离度量学习的煤岩识别方法基本思想如 图 2所示 ， 圆圈和三角形分别代表煤 和岩石样本特 征 。在原来的煤岩特征空间中， 由于光照、 角度、 煤 岩 质地 等 问题 ， 煤和 岩石 样本 特征 非常 接近 ， 同类 样 本特 征 之 间的分 布也 比较 松 散 ， 如 图 2 a 所示 。从 分类 角 度考 虑 ， 煤 岩样 本 很 容 易 错 分 。为 了解 决 该 问题 ， 基 于 距 离 度 量 学 习 的 煤 岩 识 别 方 法 学 习 到 一 个关于煤岩特征的距离度量 ， 相 当于将煤岩特征 向量转换到一个新的特征空 间， 使得 同类特征之间 的距离变小 、 异类特征之间的距离变大 ， 即煤样本特 征之间 、 岩石样本特征之间变得紧密， 煤样本特征与 岩石 样本 特征 之 问 变 得 越来 越 远 ， 如 图 2 b 所 示 。 这样有利于提高分类识别效果。 a 原 来的煤 岩特征 空间 b 转换后 的煤岩 特征空 间 图 2 基于距离度量学习 的煤岩识别方法基本 思想 1 ． 2方 法 理 论 模 型 设任意 2个样本 特征 的列 向量分别为 a ， b ， 则 2个 样本 的 欧式距 离度 量公 式 为 d a， 6 一 ／ n b 口一b 1 本 文在 欧 式距 离 度 量 公 式基 础 上 ， 提 出 以下 距 离 度量 函数 d n ， b ， A一 、 ／ 口一 b A n b 2 式 中 A为距 离 度量 矩 阵 ， 其 为 S S 对 称 正定 矩 阵 ， S 为样 本特 征 向量 的维数 。 A 可 由非 零 矩 阵 w 表 示 为 AW W ， W∈R ， 1 ≤Z ≤ s ， 则式 2 可表 示为 d a ， b ， A一 ／ nb “W W 口一b 一 ／ W a W b a b 3 设煤岩图像训练集 中， 幅煤样本 图像 的特征 集为 X一{ X l i 一1 ， 2 ， ⋯ ， m ， 幅岩石样本 图像 的 特征集为 Y一{ Y 『 一1 ， 2 ， ⋯， ， X ， Y 分别为煤 样本 和 岩石 样本 的 S 维 特征 列 向量 。所 有 煤样 本 特 征 中两 两之 间距 离度 量平 方 的均值 为 曼 ，A 4 所有 岩石 样本 特征 中两两 之问距 离度 量 平方 的 均值 为 一 磊 d 2 y p , y q ,A 5 所有样本特征 中煤样本特征与岩石样本特征两 两之间距离度量平方的均值为 ds一 n i ∑ 1 Y 6 距离度量函数应使煤样本特征之 间、 岩石样本 特 征之 间的距离 越 来 越 小 ， 煤 样 本 特 征 与 岩 石样 本 特征之 间的距离越来越大 ， 即使函数 dd 。 一d 一 d 取得最大值 。 d d3一 d2一 d1一 y p , A 一 圭 ∑ ∑ d p Y A 一 一 1 q 1 一 ∑ ∑ d z1 A 7 m 一 1 一 一 ⋯ 结 合式 3 ， 式 4 可 写 为 一 磊 一 一t r w ∑ ∑ 一x j 一 8 式 中 t r 表 示 求 矩 阵 的 迹 ， 即 求 矩 阵 对 角 线 元 素 的和 。 △△△ △ 。 △ △ O △ O O △ △ O △ O O 2 4 工矿 自动 化 2 O 】 7年 第 1 3卷 ∑ 一 ， t r w H 1 w。 同理， 令H 2 一 ∑ ∑ Y L l q 一 1 Y Y ， ， 则 式 5 可 简化 为 d 一 t r H w 。令 H 一 1 ∑ 一 ．， ， 则 式 6 可 简 化 为 d 一 t r w H3 w。 由此 可得 d d j d2一 1一 t r wT H W w H w wT H 1 w 一 t r w H 、{ J _f 2一 H 1 w 9 在初 始 限 制 条 件 wJ J为单 位 矩 阵 下 求 解 函数 的极 大 值 f n 】 题 可 转 换 为求 矩 阵 H H 一 H 一H 的特 向量 W和特 征值 的问题 。 H 3一 H2一 H 1 w 一 w 1 O 将 w w J代 入式 1 0 ， 可得 Hw 一 臼w 1 1 求解 式 1 0 可得 矩 阵 H 所 有 的 特 征 值 和 特 征 向量 。将 特 征 值 按 从 大 到 小 的 顺 序 排 列 ， 选 取 前 ， 个特征 值 ， ， ⋯ ， 及 其 对 应 的 ，个 特 征 向 量 w 1 ， w ， ⋯ 。 w ／ ， 可 得到 ， 矩 阵 w 一 [ w l w - w 门 ， 以及 距 离度量 矩 阵 Aw w ， 用式 2 度量 待 识 别 样 本特 征 与 已知 样 本特 征 的距 离 ． 利 用 KNN K Ne a r e s t Ne i g h b o r ． K 最 近 邻 分类 器进 行 分 类 ， 距 离 最 近 的 K 个 样 小 特 征 中 大 多数 样本 所属 的类 圳 即为该 待 以别样 本 的类 刖 。 2实验 过程 采 川 住不 同光 照 、 角 度下 拍 摄 的煤 样 本 像 各 l 2 O幅 进 行实 验 ． 部 分样 本 罔像 如图 3所 示 。样 本 图像 为 6 4 6 4 ； I F格 式 。随机 抽 取 煤 样 本 图 像各 6 O幅作 为 训练集 ， 其余 图像 作 为测 试 集 。煤 岩 识 j lJ 过 程如 下 。 1 提 取 不 同的纹 理特 征 。采 用基 本 局 部二 值 模式 [ ． o c a l B i n a r y P a t t e r n ，I ． B P l J 圳算 、 方 向 梯 度 直 方 罔Hi s t o g r a m o f Or i e n t e d Gr a d i e n t ， H 。 。 、灰 度 共 生 矩 阵 Gr a y I e v e l C o o c c u r r e n c e Ma t r i x 。 GI C M I 3种 特征 提取 方法 提 取煤 岩 样本 冈像 的纹理 特 征 。 基 本 I ． B P 算 f特 征 提 取 。基 本 I 1 j I 算 子 定 义 在 3 3的窗 口内， 以窗 口中心像素灰度值为阈 值 ， 将相 邻 8个像 素 的厌度 值 与其进 行 比较 ． 若某 像 I 7 1 样 水 1 蒙 冈 { 部 分煤 岩 样本 像 素的 厌度 值大 于 闽值 ， 则将该 像 豢 化置 标 为 1 ， 则为 0 。这 样 3 3邻 域 内的 8个像 素 比较 叮产 生 8位 ■进 制数 通 常转 换 为 卜进 制 数 ． 【 { I J I J B P码 ． 共 2 5 6种 。 进 而得 到该 窗 口r f 1 心 像 素 的 I I f f f ， 并 用该 值 反映 陔 区域 的纹 理 信 息 。采用 I } { I 模 式 的 统 计 A 方 来 表 达 像 信 息 ． 即 可提 取 剁 2 5 6维 的 I B P特 向量 。 HO G 特征 提取 。每一 张煤 样 本 像像 索 大 小为 6 4 6 4 ， 每 个 胞 块 的大 小 为 8 8 ， 每 个特 l 块 含 有 4 4个 细胞 块 ， 2个 卡 I 1 邻 特征 块 的 叠 串为 0 ． 5 ， 那 么 图像 有 4 9个 特 块 。每 个 细胞 块 有 9个梯 度 方 向 ， 此 每 个 细 胞 块 【 】 r 以 褂 剑 9维 的 H G 特 向 量 ， 每 个 特 征 块 【 - J _ 以 得 刮 3 6维 的 HO G 特 征 向量 ， 陔 罔像 可 以得 刮 1 7 6 4维 的 } 。l 特征 向 } 。 GI 【 、 M 特 征捉 取 。 像 的 从 度 级 数 为 2 5 6 ， 对 冈像 进 行直方 均 衡 化 ． 均 衡 化 后 罔像 的 度 级 数 压缩 为 1 6 。提取 像 的 GI C M． 後矩 阵的 ， } j 成 步 长 为 1 ， 生 成 向 为 0 。 。将 I 、 M 的 能 艟 、 熵 、 卡 H比 度 、 逆 差 矩作 为 4维纹理 特 征 2 利 用不 同 的纹 理 特 ， 求 取 其 埘 晦 的距 离 度量 矩阵 。 3 对 于 一 幅 待 识 刖 的 煤 样 本 像 ． 用 步 骤 1 f f I 的 方法 提 取 其各 个 不 同 点 下 的 纹理 特 向量 ， 根据 式 2 度 量其 与训 练集 一 t 2 每 一 幅 像 的距 离 。利用 KNN 分类 器 对待测 样 本进-i 分类 。 ∑ 一 坝 2 0 1 7年 第 5期 伍 云 霞等 基 于距 离度 量 学习的 煤岩识 别 方 法 2 5 3实验 结果 与分 析 3 ． 1 Z对煤 岩识 别 率的 影响 由于矩 阵 w 由矩 阵 H 的 Z 个 特 征 向量 组 成 ， 选取 的 z 不 同 ， 则矩 阵 W 不 同 ， 得 到 的距 离度 量 矩 阵 A也 不 同 ， 可 见 z 变 化会 对 煤 岩 分 类 的 识别 率 产 生影响。对于不同的纹理特征 ， 煤岩识别率随 z变 化 的规律也 不相 同， 如 图 4所示。若 采用 L B P特 征 ， z 6 5时 ， 随着 l 增 大 ， 煤 岩 识别 率逐 渐 增大 ； z 一 6 5时 ， 煤 岩识 别 率 达 到 最 大 值 8 5 ； 之后 随着 z 增 大 ， 煤岩识别率稳定在 8 5 左右。若采用 HO G特 征 ， z 5时， 煤岩 识别率逐渐减小至 6 0 左右 ， 之后趋 于平稳。若采 用 GL C M 特征 ， 随着 z 增大 ， 煤岩识别率逐渐增大 ， z 一3时， 煤岩识别率达到最大值 9 5 9 ／ 6 。 3 ． 2 ROC 曲 线 RO C R e c e i v e r Op e r a t i n g C h a r a c t e r i s t i c ， 受 试 者 工 作 特征 曲线 是 一种 经 典 的评 价 分类 器 性 能 的 趟 镳 蟠 槲 晶 韪 图 4 z 对 煤 岩 识 别 率 的影 响 曲线 ， 曲线 下 面积越 大 ， 表示 分类 器性 能 越好 。采 用 不 同特 征 时 ， KNN 分 类 器 的 RO C 曲线 如 图 5所 示 。其中敏感性 真阳性率 为分类器能够正确识别 的煤样本 占所有煤样本的 比例 ， 1 一 特异性 假 阳性 率 为分类器错认为煤的岩石样本 占所有岩石样 本 的 比例 。可看 出基 于距 离 度量 学 习 的 KNN 分 类 器 性 能 明显优 于 基于 欧式 距离 的 KNN 分类 器 。 镱 崩 a 基 于 L B P特征 b 基于 HO G特征 c 基于 GL C M 特征 图 5 采用 不同特征时 KNN分类器 的 RO C曲线 3 ． 3煤 岩识 别率 d姑{ 五 采用 传 统 的 欧式 距 离 ， 基 于 监 督 量 学 习 的距 离 一。 。 度量 方 法 L D A[ 1 O 、 I TML ⋯ ， 以及 本 文 提 出 的 1 由 R OC 曲 线 可 知 ， 基 于 距 离 度 量 学 习 的 距离度量学习方法对基于 L B P特征、 HOG特征和 KNN分类器与基于传统欧式距离 的 KNN分类器 G L C M 特 征 的煤 岩 特 征 集 进 行 距 离 度 量 ， 并 采 用 相 比 ， 具有 更好 的分 类性 能 。 KNN分 类 器进 行 分类 识 别 ， 所 得 煤 岩识 别 率 见 2 针 对煤 岩 图像 的 L B P特 征、 HO G 特征 、 表 1 。 可看出采用距离度量学 习方法 时煤 岩识 别率 GL C M 特征 ， 基 于距离度量学 习的煤岩识别方法与 较其他 3种方法高 。 传统的基于欧式距离、 L D A、 I T ML的煤岩识别方法 表1 采用不同距离度量方法时的煤岩识别率 ％ 相 比， 煤岩识别率更高 。 参 考文献 [ 1] 刘俊 利 ， 赵豪杰 ， 李长有． 基 于采煤机滚筒截割振 动特 性 的煤岩识别方法 [ J ] ． 煤 炭科学技 术 ， 2 0 1 3 ， 4 1 1 0 93 95 ． 掣镩垮 第 4 3卷 第 5期 2 0 1 7年 5月 工矿 自 动化 I n dus t r y a n d M i ne Au t oma t i on Vo 1 ． 4 3 NO ． 5 M a y 2 O1 7 文章 编 号 1 6 7 1 2 5 1 X 2 0 1 7 0 5 0 0 2 6 0 5 DO I 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 1 x ． 2 0 1 7 ． 0 5 ． 0 0 7 米强 ， 徐岩 ， 刘斌 ， 等． 煤与矸石图像纹理特征提取方法[ J ] ． 工矿 自动化 ， 2 0 1 7 ， 4 3 5 2 6 3 0 ． 煤与矸石图像纹理特征提取方法 米 强 ， 徐 岩 ， 刘斌 ， 徐 运 杰 山东科技大学 电子通信与物理学院，山东 青岛 2 6 6 5 9 0 摘 要 针 对现 有 煤与矸 石 图像 处理 方 法存 在提 取特 征 参 数 少 、 识 别精度 低 等 问题 ， 提 出 了一 种 融合 局 部 二值 模 式和 灰度 共 生矩 阵的煤 与矸 石 图像 纹理特 征提 取 方法 。首 先将 煤与矸 石预 处理 后 的 图像 转换 为局 部 二 值模 式 图像 ， 再利 用该 图像 生成 灰度 共 生矩 阵 ， 以角二 阶距 、 相 关性 、 对 比度和 熵作 为纹 理特征 进行 均值 和 归一化处理， 最后用支持 向量机进行训练 ， 得 出识别结果。实验结果表 明， 该方法能够有效地提取到煤与矸 石 图像 的纹理 特征 ， 煤 和矸 石 的识别 率 分别 为 9 4 和 9 6 。 关键 词 煤与 矸石 ；图像 处理 ；纹 理特 征 ；局 部二值 模 式 ；灰度 共 生矩 阵 ；支持 向量机 中 图分类 号 T D6 7 文 献标 志码 A 网络 出版时 问 2 0 1 7 0 4 2 5 1 7 5 0 网络 出版地址 h t t p ／ ／ k n s ． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． T P ． 2 0 1 7 0 4 2 5 ． 1 7 5 0 ． 0 0 7 ． h t ml 收稿 日期 2 0 1 6 1 1 - 2 5 ； 修回 E t 期 2 0 1 7 0 1 - 2 3 ； 责任编辑 张强 。 基金项 目 山东省研究生教 育创新 计 划项 目 0 1 0 4 0 1 0 5 3 0 5 ； 山东 科技 大学 教学 研究 项 目 J G2 0 1 5 0 6 ； 山东 科技 大学 研究 生教育 创新 项 目 KDYC1 3 0 26 ， KDYC1 5 0l 9 。 作者简介 米 强 1 9 9 3一 ， 男 ， 山 西 忻 州 人 ， 硕 士 研 究 生 ， 研 究 方 向 为 机 器 视 觉 和 图像 处 理 ， E ma i l 7 1 9 2 0 7 1 2 2 q q ． c o rn。 通 信 作 者 徐岩 1 9 7 0 一 ， 男 ， 山东汶上人 ， 教授 ， 博士 ， 现主要从事凝聚态物理 、 图像处理和机器视觉等领域的研究 T 作 ， E ma i l x u y a n s d u s t ． e d u ． c n 。 [ 2] 孙继平 ， 陈浜 ． 基于小 波域非 对称 广义 高斯模 型 的煤 岩识 别 算 法 [ J ] ．煤 炭 学 报 ， 2 0 1 5 ， 4 0 增 刊 2 5 68 57 5． [ 3] 孙继平 ， 佘杰 ． 基 于小波 的煤 岩图像 特征抽 取与识 别 E J 1 ． 煤炭学报 ， 2 0 1 3 ， 3 8 1 0 1 9 0 0 1 9 0 4 ． [ 4] 张宁 ， 任 茂文 ， 刘萍． 基于 主成分分 析和 B P神 经 网络 的煤 岩 界 面 识 别 [ J ] ． 工 矿 自动 化 ， 2 0 1 3 ， 3 9 4 55 - 58 ． [5] 孙继平． 基于 图像识别 的煤岩界 面识 别方法研 究E J ] ． 煤炭科学技 术 ， 2 0 1 1 ， 3 9 2 7 7 7 9 ． [6] 孙 继平 ， 余杰 ． 基 于支持 向量机 的煤岩 图像特 征抽 取 与分 类 识 别 [ J ] ．煤 炭 学 报 ， 2 0 1 3 ， 3 8 增 刊 2 5 O 8 51 2 ． [ 7] T URK M， P E NT L AND A． E i g e n f a c e s f o r r e c o g n i t i o n [ J ] ． J o u r n a l o f C o g n i t i v e N e u r o s c i e n c e ， 1 9 9 1 ， 3 1 7l 一 8 6． r 8 l S CHI FF MAN S S， YOUNG F W ， REYNOL DS M L． I nt r od uc t i on t o mul t i d i me n s i ona l s c a l i ng t h e or y， me t h o d s ， a n d a p p l i c a t i o n s [ M] ． Ne w Yo r k Ac a d e mi c Pr e s s， 19 81 ． [9] L u J ， P L A TAN 1 0T I S K N， VE NE T S AN0 P 0 UL 0s A N．F a c e r e c o g n i t i o n u s i n g LDA b a s e d a l g o r i t h m s ． [ 1 0 2 [ 1 1 ] [ 1 2 ] [ 1 3 ] [ 1 4 ] [ 1 5 1 [ J ] ． I E E E Tr a n s a c t i o n s o n Ne u r a l N e t wo r k s ， 2 0 0 3 ， 1 4 1 1 95 - 20 0． DAVI S J V， KUL I S B， J AI N P， e t a 1 ．I n f o r ma t i o n t h e o r e t i c me t r i c l e a r n i n g [ C ] ／ ／ P r o c e e d i n g s o f t h e 2 4 t h I nt e r n a t i o na l Co nf e r e nc e on M a c hi n e Le a r ni n g， Cor v a l i s， 2 0 07 2 09 21 6． LI U C S．LI X BI ，YANG Y P．Te xt c 1 a s s i f i c a t i 0n a l go r i t hm ba s e d on n e i ghb or ho od c o mpo ne n t a n a l ys i s [ J ] ． C o mp u t e r E n g i n e e r i n g ， 2 0 1 2 ， 3 8 1 5 1 3 9 1 4 1 ． L U J ，ZH0U X，TAN Y P，e t a 1 ．Ne i g h b o r h 0 o d r e p u l s e d me t r i c l e a r n i n g f o r k i n s h i p v e r i f i c a t i o n [ J ] ． I EEE Tr a n s a c t i o n s o n P a t t e r n An a l y s i s ＆Ma c h i n e I n t e l l i g e n c e ， 2 0 1 2 ， 3 6 2 3 3 卜3 4 5 ． 宋克 臣， 颜云辉 ， 陈 文辉 ， 等． 局 部二值 模式 方法 研究 与展望 [ J ] ． 自动化 学报 ， 2 0 1 3 ， 3 9 6 7 3 0 7 4 4 ． DALAL N ，TTI GGS B． H i s t o gr a m s of or i e nt e d g r a d i e n t s f o r h u ma n d e t e c t i o n [ c ] ∥ I E E E C o mp u t e r So c i e t y Co nf e r e nc e o n Compu t e r Vi s i on a nd Pa t t e r n R e c o g n i t i o n ， B e ij i n g ， 2 0 0 5 8 8 6 8 9 3 ． 郭德 军 ， 宋蛰存． 基 于灰度共 生矩 阵 的纹 理 图像 分类 研究[ J 1 ． 林业机械 与木工设 备 ， 2 0 0 5 ， 3 3 7 2 1 2 3 ．