图像目标检测与跟踪学习笔记（四）

课堂小结

这节课首先对Hog算法进行了补充，然后小组分别详细展示了SIFT算法、SURF算法和距离度量方法。

1. Hog算法补充

    在进行特征计算之前先要对图片进行预处理，使得行列的像素个数（m, n）能被cell的边长(设为8)整除。每个cell feature的个数为9，那每个Block的feature为4*9=36，那整个图片的feature个数为：(m/8-1)*(n/8-1)*36

2. SIFT（尺度不变特征变换匹配算法）

sift算法的大致流程如下：

首先可以通过在原图上用高斯函数模板进行滑窗处理（卷积运算），得到模糊化的图像，高斯函数为：

式中，（x, y）是模板的元素，（m, n）是模板的大小，sigma选值越大，处理后的图片也就更模糊，效果如下：

而后按照此方法，选择不同倍数的sigma（sigma、k*segma、k^sigma...）构造第一阶高斯金字塔，这里我们构建五层，然后选取第一阶的第三层，对其隔点采样作为为第二阶的第一层，再构建第二阶金字塔，后面同理，如下所示：

将高斯金字塔每一层减去它下面一层，得到差分金字塔（DOG）：

检测DOG中一点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较：

如果它比周围26个点都大或者都小,则该点将作为一个局部极值点, 我们称之为关键点记录，关键点尺度公式为：

对于在DOG金字塔中检测出的关键点，采集其所在高斯金字塔图像3sigma领域窗口内像素的梯度和方向分布特征，用直方图进行统计（与梯度直方图类似，将0-360°范围分为八个区间，每个区间45°）：

然后统计关键点附近16×16像素的梯度方向分布与幅值（4×4为一个单元进行统计）;