本文深入探讨了Haar-like、Histogram of Oriented Gradients (HoG) 和 Local Binary Patterns (LBP) 三种特征描述方法在目标识别中的应用与优缺点。Haar-like特征简单快速，适用于面部检测；HoG方法在人体检测中表现出色，但计算复杂度较高；LBP则对光照变化鲁棒，但在纹理丰富的场景可能表现一般。理解这些方法的不同特性对于选择合适的特征提取策略至关重要。
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。
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
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：
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
最低0.47元/天 解锁文章
扫一扫
15万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
