【CV】特征提取

特征提取

Hog 特征提取

Hog是方向梯度直方图，是一种特征描述符。该技术统计图像局部区域中梯度方向的出现次数。

HOG描述符关注对象的结构或形状。它比任何边缘描述符都好，因为它使用梯度的大小和角度来计算特征。对于图像区域，它使用梯度的大小和方向生成直方图。

其具体计算和原理可以参考这篇文章

SIFT特征提取

SIFT (Scale-invariant feature transform)， 尺度不变特征转换，是一种图像局部特征提取算法，它通过在不同的尺度空间中寻找极值点（特征点，关键点）的精确定位和主方向，构建关键点描述符来提取特征。SIFT提取的关键点具有尺度不变性、旋转不变性，而且不会因光照、仿射变换和噪音等因素而干扰。
SIFT所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。
其具体计算和原理可以参考这个视频
它的特征输出一般包含(x,y,scale,main_diraction），它的描述器分别表示每一个特征，一般会出128个特征

SURF特征提取

SURF 特征，它的全称为加速稳健特征（ Speeded Up Robust Feature ），它不仅是尺度不变特征，而且是具有较高计算效率的特征。
surf中，也是在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。该框带方向，方向当然就是第4步检测出来的主方向了。然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和
其具体实现和原理可以参考这篇文章和这篇文章

Bag of Words特征提取

BoW起始可以理解为一种直方图统计，开始是用于NLP和信息检索中的一种简单的文档表示方法。BoW也只是统计频率信息，并没有序列信息。BoW是选择words字典，然后统计字典中每个单词出现的次数。
只不过在图像中，我们抽出的不再是一个个word，而是图像的关键特征Featur（通常可以是SIFT检测出来的特征）。
具体的算法和实现可以参考这篇文章