什么是不变矩呢？Hu不变矩对于数字图像，相应有Zernike不变矩在计算一幅图像中目标区域的Zernike矩时，首先将目标从图像中分割出来，具体方法是：对于图像f(x,y)中任一点（x,y),如果该点处于目标区域内时，则取f(x,y)=1,否则f(x,y)=0,即将图像二值化，这样，所有的f(x,y)为1的点组成的集合就构成了要表示的目标区域。之后将目标图像转换到极坐标下的单位圆内，即将目标的重心作为极坐标的圆心，以圆心到目标区域内最外像素点的距离为半径(取最远距离作为半径，使得区域中所有像素都落在单位圆内，避免像素信息的丢失)，将目标区域内的像素重新采样到单位圆内。直角坐标到极坐标的转换为：Zernike矩是复数矩,一般把Zernike矩的模作为特征来描述物体形状。1个目标对象的形状特征可以用1组很小的Zernike矩特征向量很好的表示,低阶矩特征向量描述的是1幅图像目标的整体形状,高阶矩特征向量描述的是图像目标的细节.Zernike矩可以任意构造高价矩,而高阶矩包含更多的图象信息,所以Zernike矩识别效果好。Zernike矩仅仅具有相位的移动。它的模值保持不变。所以可以将|Anm|作为目标的旋转不变性特征。Hu不变矩和Zernike不变矩在具体应用中提取过程如下提取Hu不变矩的流程图。提取Zernike不变矩流程图。不变矩在分类中的具体应用过程本文所涉及的样本个数为268，其中人形样本数为201，动物样本数为67。人形样本中包括了人的站立、弯腰、下蹲三种姿势的图像各67幅，动物样本为日常生活中最常见的两种动物猫和狗，共67幅。提取所有样本的Hu不变矩和Zernike不变矩，采用最小距离分类器进行分类的结果见表1和表2。表1最小分类器对样本Hu不变矩分类结果类别实际数识别正确数正确率人（站立）676597%人（弯腰）676089.6%人（下蹲）675683.6%动物676089.6%最小分类器对样本Zernike不变矩分类结果类别实际数识别正确数正确率人（站立）676698.5%人（弯腰）676292.5%人（下蹲）676089.6%动物676597%通过对样本测试可以看出，基于Zernike不变矩的人形识别效果要优于基于Hu不变矩的人形识别。可见对于人形图像而言Zernike不变矩的聚类效果要优于Hu不变矩。对不变矩的研究及分析1)因为不变矩不受旋转及大小的影响，可以将其利用于识别二维或者三维物体。不过这些不变矩并不足以区别所有的形状，而且对噪声很敏感。有些作者提出了其他一些不变矩以改进这一点。2)矩计算的时间较长，实际上，虽然矩计算的积分范围在整个区域范围内，但区域的形状是由边界唯一确定的。可以推导出，由边界点的坐标就可以算出整个区域的矩，从而大大减少计算时间，李炳成等提出了许多矩的快速计算方法。3)矩是一种整体性质，若物体的一部分被其他物体遮挡，则无法计算不变矩，在这种场合，更希望找到描述物体形状的局部性质(如矩形有四个角点，角点是一种局部性质)。4）Hu提出的不变矩只能用于对区域的检测，不能用于边界的检测。对于区域的检测，从总体上来说，极半径不变矩与Hu不变矩的效果相当。由于Hu不变矩受图形对称性的影响，而极半径不变矩不受图形对称性的影响，所以对于对称图形来说，极半径不变矩的效果要优于Hu不变矩。通过对Hu矩和Zernike矩的分析，并采用最小距离分类器对运动目标的这两种矩进行分类识别。它们都具有平移、旋转和缩放不变性，但是又各有特点。Hu矩所包含的目标信息不是很全面，含有较多的冗余信息；Zernike矩是正交矩，能构造任意的高阶矩，包含信息全面，对噪声不敏感。本文为人形识别算法中运动目标不变矩的选择提供了一定依据，并通过对不变矩的分类结果证明，采用不变矩进行人形识别是可行的。