1、SIFT和HOG 本质:梯度意味着边缘
SIFT(尺度不变特征变换)
HOG(方向梯度直方图)
问题1、 图像为什么要灰度化
颜色,是鲁棒性很差的信息(易受光照等影响),灰度化后,使得易提取关键信息,并可以加速。
2、SIFT: 查找关键点并计算方向
本质:金字塔+树搜索
方式 1、构建DOG (高斯金字塔)
2、搜索关键点(局部极值法或曲线拟合法)
3、方向赋值(由于sift只具有尺度不变性,不具有放射不变性) ,高斯平滑(多方向权值增重),增强鲁棒性
4、生成关键点描述子。
优点:1、鲁棒性优
2、提取关键点具有独一性(适合大数据下的数据匹配)
3、且不受对象数目限制,即使少量数据也可生成大量关键点
缺点:1、包含很多下采样和插值,速度慢
2、针对模糊图像效果不佳,针对光滑边缘的物体无效
3、HOG(结合SVM ,统计梯度方向直方图构成特征)
本质:分割合并法(梯度)
方法:1、灰度化(优点: 加速,并增加图像的鲁棒性)
2、归一处理(Gamma方法,均衡化)
3、布局分格,并分格子进行统计梯度(称cell)
4、格子的合并(称:block),合并统计梯度(称HOG特征)
5、串联所有block的HOG特征
优点:1、分割合并具有强鲁棒性
2、少量目标形变不影响效果,适合做局部数据有震荡的数据集(例如:姿势识别(姿势间有少量变形))
总结: 对比发现,sift对正特变化较为敏感,而HOG对对比度等细微度比变化不敏感。