七、 图像特征提取与描述符
1.特征检测器与描述符
检测器:基于某种标准从图像中选择一组感兴趣点的算法
描述符:表示图像特征/感兴趣点值的集合
图像处理基本思想:输入图片—特征检测—特征描述—估计/匹配/索引/检测
2.哈里斯角检测器
该算法探究了当前窗口在图像中改变位置时,窗口内的强度变化。
(1)使用corner_harris()函数的哈里斯角点检测器图像的角点
使用corner_subpix()函数可以以子像素的准确率对检测到的角点进行细化
(2)在图像匹配中的应用
匹配一般方法:①计算感兴趣的点—②考虑每个关键点周围的区域—③从该区域为每幅图像、每个关键点计算一个局部特征描述符,并对其规范化—④匹配在两幅图像中计算的局部描述符。
3.基于LoG、DoG和DoH的斑点检测器
(1)高斯拉普拉斯:只用来检测黑暗背景上的亮斑,虽然准确,但速度很慢
(2)高斯差分:比LoG更快,但准确率更低,尽管较大的斑点检测仍然很昂贵
(3)黑塞矩阵DoH:能检测深色背景和浅色背景上的亮斑,但不能准确检测到小亮斑
4.基于方向梯度直方图的特征提取
(1)HOG描述符的算法描述:
①如果愿意,对图像进行全局归一化处理
②计算水平和垂直梯度图像
③计算梯度直方图
④块集归一化处理
⑤扁平组合成特征描述符向量
5.尺寸不变特征变换
先构造SIFT目标,然后用detect()方法计算图像中的关键点,接着,用drawKeypoints()函数在检测的关键点周围绘制小圆圈。
6.类Haar特征及其在人脸检测中的应用
(1)基于类Haar特征的人脸检测的应用
利用Viola-Jones人脸检测算法,使用类Har特征可将图像中的人脸检测出来。由于每一个类Haar特征仅是一个弱分类器,因此需要大量的类Haar特征来检测出准确率较高的人脸。首先,利用积分图像,计算出每个类Haar核的所有可能大小和位置的大量类Haar特征。其次,在训练阶段使用AdaBoost集成分类器从大量的特征中选择重要的特征,并将它们组合成一个强分类器模型。最后,利用所学习的模型对具有所选特征的人脸区域进行分类。
(2)基于OpenCv使用Haar级联特征的预训练分类器的人脸/眼睛检测
使用detectMultiScale()函数和预训练好的级联分类器,可以找到图像中的人脸