识别中特征模型的发展

1.特定目标识别

对于特定目标的识别始于20世纪70年代，识别技术仅用于对具体单一目标的识别，所以不存在类内的差异性。目标的可变性由5种因素决定，分别为视角变化，亮度变化，目标遮挡，背景复杂度和图像噪声。
这段时间的目标识别算法都采用的是几何特征，主要提取目标的内轮廓和外边缘。有以下几个优点：

• 对光照的不变性
• 对2D和3D形态表达的直观性

特征识别方法分为：

• 匹配识别方法

• 几何不变量识别方法

  1. 匹配识别方法
     Lowe提出的匹配识别系统，用于提取图像中的直线，在根据共线与平行的原则分类直线，与模板进行匹配后找到识别目标；
     Huttenlocher和Ull-man 根据已有的CAD模型，进行3D目标识别，实验表明他们的算法能够识别复杂背景中有遮挡的目标
     Ullman和Basri提出了一个3D和2D混合模型，这引起了领域内对于3D模型或者2D混合模型那个效果更好的额争论
  2. 几何不变量识别方法
     几何不变量识别方法中，非常一个重要的贡献是散列法/哈希法的引入，Lamdan和Wolfson以及Gigoutsos和Hummel都提到了这一算法。
     这种算法的目标由感兴趣的点集组成，其中为了实现对仿射变换的适应性，以三个点组成的三角形为一个组成单元。在学习阶段，分析每个目标兴趣点组成的所有可能的三角形，将最后保留的三角形对应的兴趣点存放在哈希表中：在识别阶段，分析待识别目标兴趣点并对应到哈希表，投票给映射的目标模型，得票最多者即为识别出来的目标。

    上述几何特征识别方法都有对仿射的不变形，比如几何哈希法不但具有对仿射的不变形，而且识别速度快。但是这种方法仅依靠目标的几何轮廓，对于轮廓内的纹理特征可以忽略不计，这种方法方法有利于对某类外形一致的目标的识别，比如酒瓶，但是对于人脸识别这种具体识别就完全不适用了。这类方法最大的问题在于，其假设目标外边缘已经准确被提取，尤其在噪声干扰以及复杂背景的情况下，所以这类方法实用性收到了限制。
    除了几何特征的识别方法以外，还有一些其他的方法值得一提。Schiele和Crowley采用目标局部表面的统计直方图，并且结合局部描述子的空间位置；之后Swain和Bollard在此方法上衍生出其他算法；Murase和Nayar3D姿态模板库中记录了目标各种视角的姿态，然后将其映射到主成分空间中；Pontil和Verri采用了支持向量机（SVM）的方法识别COIL数据库中的目标，将目标对应到点集空间中，然后采用SVM寻找点集间的最佳划分超平面。但是这种算法对遮挡很敏感，并且对复杂背景中的目标识别效果也不佳。
    上述所有算法都是基于目标的整体特性的，比如整体目标轮廓，目标灰度等，这种算法的优点是实现简单，但是对背景的变化和遮挡都非常敏感。针对这些缺点，基于局部特征的算法开始发展起来，比如局部纹理特征的引入。最早是由Schmid和Mohr提出了基于局部区域的识别方法，用于特定目标的识别。特征兴趣点的提取采用了Harris角点提取方法，每个点取其局部区域的多尺度灰度特征，此算法在目标部分缺失的情况下依然能够识别，但是对背景变化的适应性不强。最著名的当属Lowe提出的SHIFT描述子，被广泛应用于目标的识别当中，之后衍生出了大量的改进识别算法。

综上所述，基于局部区域的算法要优于基于几何特征的算法，由于在其复杂背景和目标遮挡识别上的优势。但是对于某些变化造成的目标的局部纹理变化的情况，几何特征的算法要远远优于局部纹理的算法。所以上述两种算法各有其适应的应用。

2.类目标的识别