HOG:Histogram of Oriented Gradient,方向梯度直方图
主要思想:
HOG主要捕获轮廓信息,在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。因为是局部特征,直接对较大的区域进行提取HOG难度大效果差,故需要将图像分为多patch,分别计算HOG特征。分割时,有overlap和non-overlap两种,non-overlap是不重叠分割,虽然计算量小,但关键区域容易被分割,overlap是重叠分割,计算量大,但更好的保留关键区域。
过程:
- 图像分割后,计算每patch的HOG。
- 灰度化和Gamma校正
- 利用任意一种梯度算子,例如:sobel,laplacian等,对该patch进行卷积,计算得到每个像素点处的梯度方向和幅值
- 将360度(2*PI)根据需要分割成若干个bin,即直方图的bin,然后根据每个像素点的梯度方向,利用双线性内插法将其幅值累加到直方图中。
- 将图像分割成更大的Block,并利用该Block对其中的每个patch进行颜色、亮度的归一化,用来去掉光照、阴影等影响
- 将从每个patch中提取出的“小”HOG特征首尾相连,组合成一个大的一维向量,这就是最终的图像特征。
特征维数:
假设图像为64*64,一个patch 8*8,一个block包括2*2个cell,假设步长8像素,所以水平或垂直方向共有(W-K)/S+1=(64-16)/8+1=7个block,每个cell有N个bin,即N个特征,所以一个block有4*N个特征,共7*7*4*N个特征。
SIFT: Scale-invariant feature transform,尺度不变特征转换
思想:
在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。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。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
过程:
- 尺度空间极值检测:搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点
- 在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度
- 基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向
- 在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度
LBP: Local Binary Pattern,局部二值模式
思想:
以中心像素的灰度值作为阈值,与他的领域相比较得到相对应的二进制码来表示局部纹理特征
原始LBP过程:
- 3*3的窗口,对于中心位置,假设像素为A,对于周围的8个像素,大于A的置1,小于A的置0
- 按逆时针将排列01序列
- 将二进制转换为十进制即为LBP值