Haar-like、HoG 、LBP 三种描述方法在目标识别中的优劣

Haar-like的优势在于能更好的描述明暗变化,因此用于检测正面的人脸
HoG的优势在于能更好的描述形状,在行人识别方面有很好的效果
LBP比haar快很多倍,但是提取的准确率会低(10-20% 取决于训练对象)如果是嵌入式或者移动端的开发,推荐使用LBP。

这也解释了为什么haar应用于人的正面检测要明显好于应用于侧脸检测:正脸由于鼻子等凸起的存在,使得脸上的光影变化十分明显。而侧脸侧脸最重要的特征是形状和轮廓。 所以用HoG描述符检测侧脸更加有效。





参考原文:


https://www.quora.com/Why-are-HOG-features-more-accurate-than-Haar-features-in-pedestrian-detection 


It's important to look at the most prominent feature of pedestrians. There can be more than one prominent feature but the defining feature of a typical pedestrian is the outline, the legs and head shape. Hence the detection method that best captures or describes the pedestrian outline will ultimately solve the pedestrian detection problem more accurately. HoG features are capable of capturing the pedestrian or object outline/s
  • 1
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
H(Histogram of Oriented Gradient)是一种经典的图像特征描述符,它通过计算图像局部区域的梯度方向直方图来描述图像的特征。具体地,HOG将图像分成若干个小的块,对于每个块的像素,计算其梯度的大小和方向,然后将这些梯度方向统计到每个块的方向直方图。最后将所有块的直方图串联起来形成一个特征向量,该向量可以用于分类和识别任务。 LBP(Local Binary Pattern)是另一种常用的图像特征描述符。它通过比较每个像素和其周围像素的灰度值来构造一个二进制码,然后将这些二进制码组成一个特征向量。LBP的主要优点是计算速度快,对于纹理和颜色变化不敏感,但对于光照变化比较敏感。 Haar-like特征是一种用于目标检测的特征描述符。它通过计算图像不同大小和形状的矩形框内像素的灰度和来描述图像的特征。具体地,Haar-like特征将矩形框分成三个部分,分别计算每个部分内像素的灰度和,然后将这些和作为该矩形框的特征值。Haar-like特征的主要优点是对于光照变化和旋转不敏感,但对于遮挡和变形比较敏感。 总的来说,HOG适合用于行人检测、人脸识别等任务;LBP适合用于纹理识别、人脸识别等任务;Haar-like特征适合用于目标检测等任务。同时,三者的特点也各有不同,需要根据具体任务选择合适的特征描述符。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值