目标识别、目标跟踪算法总结

想自学图像处理的相关知识，正好实验室师兄做过两个关于红外目标跟踪的项目，因此从mean-shift 、SR、RP、PF开始学习。但是查阅资料的时候，发现对各种算法理解非常

利用图像处理算法，实现的功能一般包括：

目标的检测、识别、跟踪。常见的问题包括：人脸检测、人脸识别、目标跟踪等问题。

 

  特征提取

			优缺点	应用
全局特征	直方图	灰度/颜色直方图	空间信息缺失，对目标外观改变敏感，如姿态、光照、非刚性形变	直方图+mean-shift Ø  红外船舰跟踪
	颜色特征	HSV/RGB/YCbCr	对目标外观改变敏感，如姿态、光照、非刚性形变	像素值+SR 像素值+PCA Ø  基于整体法的人脸识别
	轮廓特征
局部特征	点特征	Harris 角点检测
		SIFT 关键点检测	具有旋转不变、尺度不变、视角不变的特征	SIFT+K-means +SVM Ø  文字识别
		BRISK描述符
		CARD描述符
	边缘特征	Canny算子
		HOG 方向梯度直方图	几何的和光学的形变都能保持很好的不变性 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	HOG+SVM Ø  行人检测（人体检测） Ø  入侵检测
	纹理特征	Gabor变换
		LBP  局部二值模式	旋转不变性、灰度不变性
	Haar-like	Haar-like	相比于直接使用像素值特征，降低了计算复杂度，极大提升了计算速度	Haar-like+adaboost Ø  人脸检测
运动特征	光流
	SIFT流

 

 

目标检测（从图像中找出目标区域）

基于判决式模型 将目标和背景看为二分类的方法	SVM	二分类问题，寻找最大分类间隔
	Adaboost
	神经网络
基于生成模型 寻找与目标相似度最大的区域	PCA
	SR
	随机森林
背景建模	混合高斯模型

 

  目标识别（实现目标的分类）

对已知物体类别总数的识别方式我们称之为分类，并且训练的数据是有标签的，比如已经明确指定了是人脸还是非人脸，这是一种有监督学习：从人脸库中识别输入的人脸

  其他方法

简化数据	PCA
	LDA
	SVD
	RP
聚类	K-means	如在进行SVM之前，可以对特征进行聚类