特征提取：HOG、SIFT、SURF、ORB、LBP、HAAR介绍

最新推荐文章于 2021-07-03 14:33:53 发布

NcepuKZH

最新推荐文章于 2021-07-03 14:33:53 发布

阅读量2.7k

点赞数 2

分类专栏：杂七乱八

杂七乱八专栏收录该内容

10 篇文章 0 订阅

订阅专栏

灰度化的原因
（1）识别物体，最关键的因素是梯度（SIFT/HOG），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了，可以把灰度理解为图像的强度。
（2）颜色，易受光照影响，难以提供关键信息，故将图像进行灰度化，同时也可以加快特征提取的速度。

仿射不变性

平面上任意两条线，经过仿射变换后，仍保持原来的状态（比如平行的线还是平行，相交的线夹角不变等）

什么是局部特征？局部特征应该具有的特点

局部特征从总体上说是图像或在视觉领域中一些有别于其周围的地方；局部特征通常是描述一块区域，使其能具有高可区分度；局部特征的好坏直接会决定着后面分类、识别是否会得到一个好的结果。
局部特征应该具有的特点：可重复性、可区分性、准确性、有效性（特征的数量、特征提取的效率）、鲁棒性（稳定性、不变性）。

[1] SIFT（尺度不变特征变换）
1.1、实质
在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。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。
1.2、方法
结合公式，详细流程参考博客：https://blog.csdn.net/happyer88/article/details/45817305
（1）构建DOG尺度空间
（2）关键点搜索和定位
（3）方向赋值
（4）关键点描述子的生成
1.3、优点
（1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
（2）独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
（3）多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
（4）高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
（5）可扩展性，可以很方便的与其他形式的特征向量进行联合；
（6）需要较少的经验主义知识，易于开发。

1.4、缺点
（1）实时性不高，因为要不断地要进行下采样和插值等操作；
（2）有时特征点较少（比如模糊图像）；
（3）对边缘光滑的目标无法准确提取特征（比如边缘平滑的图像，检测出的特征点过少，对圆更是无能为力）。
1.5、SIFT特征提取可以解决的问题
（1）目标的旋转、缩放、平移（RST）
（2）图像仿射/投影变换（视点viewpoint）
（3）光照影响（illumination）
（4）目标遮挡（occlusion）
（5）杂物场景（clutter）
（6）噪声

近来不断有人改进，其中最著名的有 SURF（计算量小，运算速度快，提取的特征点几乎与SIFT相同）和 CSIFT（彩色尺度特征不变变换，顾名思义，可以解决基于彩色图像的SIFT问题）。

[2] HOG（方向梯度直方图）
2.1、实质
通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。
2.2、方法
结合公式，详细流程参考博客：https://blog.csdn.net/zouxy09/article/details/7929348
（1）灰度化；
（2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化），目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
（3）计算图像每个像素的梯度（包括大小和方向），主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；
（4）将图像划分成小cells（例如66像素/cell）；
（5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；
（6）将每几个cell组成一个block（例如33个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
（7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
2.3、特点
由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。
在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。

[3] SIFT和HOG的比较
共同点：
都是基于图像中梯度方向直方图的特征提取方法
不同点：
SIFT提取的关键点是角点，HOG提取的是边缘特征

SIFT 特征通常与使用SIFT检测器得到的兴趣点一起使用。这些兴趣点与一个特定的方向和尺度相关联。通常是在对一个图像中的方形区域通过相应的方向和尺度变换后，再计算该区域的SIFT特征。
HOG特征的单元大小较小，故可以保留一定的空间分辨率，同时归一化操作使该特征对局部对比度变化不敏感。
结合SIFT和HOG方法，可以发现SIFT对于复杂环境下物体的特征提取具有良好的特性；而HOG对于刚性物体的特征提取具有良好的特性。
SIFT的准确率比HOG高，而如果检测像人这种刚性的object，HOG的表现要比SIFT好。

[4] 其他传统特征提取的方法（SURF、ORB、LBP、HAAR）
（1）SURF主要是把SIFT中的某些运算作了简化。SURF把SIFT中的高斯二阶微分的模板进行了简化，使得卷积平滑操作仅需要转换成加减运算，这样使得SURF算法的鲁棒性好且时间复杂度低。SURF最终生成的特征点的特征向量维度为64维。
（2）ORB特征描述算法的运行时间远优于SIFT与SURF，可用于实时性特征检测。ORB特征基于FAST角点的特征点检测与描述技术，具有尺度与旋转不变性，同时对噪声及透视仿射也具有不变性，良好的性能使得用ORB在进行特征描述时的应用场景十分广泛。
（3）LBP(Local Binary Pattern)，局部二值模式是一种描述图像局部纹理的特征算子，具有旋转不变性与灰度不变性等显著优点。LBP特征描述的是一种灰度范围内的图像处理操作技术，针对的是输入源为8位或16位的灰度图像。LBP特征是高效的图像特征分析方法，经过改进与发展已经应用于多个领域之中，特别是人脸识别、表情识别、行人检测领域已经取得了成功。LBP特征将窗口中心点与邻域点的关系进行比较，重新编码形成新特征以消除对外界场景对图像的影响，因此一定程度上解决了复杂场景下（光照变换）特征描述问题
（4）Haar-like特征是很简单的，无非就是那么几种，如两矩形特征、三矩形特征、对角特征。后来，还加入了边缘特征、线特征、中心环绕特征等。使用积分图可以加速计算特征。最后，使用集成的方法Adaboost进行训练。

传统特征提取 / CNN特征提取不同点：传统特征提取方法的检测算子一般是人为设计好的，是经过大量的先验知识总结得到的；CNN特征提取相当于在训练一个个filter（过滤器、卷积核），这些filter相当于传统特征提取方法中的检测算子。因此，CNN特征提取是利用神经网络的自主学习得到的。

https://www.jianshu.com/p/d94e558ebe26