特征提取算子

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。