目录
二、LBP(Local Binary Patterns,局部二值模式)
三、HOG算法(Histogram of Oriented Gradient, 方向梯度直方图)
四、SIFT算子(Scale-invariant feature transform ,尺度不变特征变换)
前言
在多模态融合过程中,有特征提取(表征)+映射(转换)+融合+多任务学习
一、特征提取
在深度领域特征提取主要有LBP,HOG,SIFT,Haar,TF-IDF(文本)
二、LBP(Local Binary Patterns,局部二值模式)
LBP算子是一种用来描述图像局部纹理特征的算子,具有灰度不变形。
主要思想:在目标像素周围定义3*3的窗口,以目标像素为阈值,将相邻的8个像素的灰度值与目标像素进行对比,如果大于目标像素,则标记为1,如果小于或等于则标记为0。这样,对每个窗口都可以产生一个8位的二进制数。这样就得到了目标像素的LBP值。
步骤:
(1)将目标检测图像划分为16*16的小区域(cell)
(2)对于每个cell的一个像素,将相邻的8个像素灰度值与其进行比较,弱周围像素值>中心像素值,则该像素点的位置被标记为1,否则为0.
(3)然后计算每个cell的统计直方图进行连接成为一个特征向量,也就是整篇幅的LBP纹理特征向量。然后利用SVM或者其他机器学习算法进行分类。
三、HOG算法(Histogram of Oriented Gradient, 方向梯度直方图)
在一幅图像中,图像的表象和形状能够被边缘或梯度的方向密度分布很好的表示,HOG具有几何和光学不变性。
其步骤为:
(1)将图像灰度化(将图像看做一个x,y,z(灰度)的三维图像