1. SIFT特征
SIFT(Scale-Invariant Feature Transform)为尺度不变特征转换,常用于目标跟踪领域。
a. 实质
SIFT特征的实质是在不同的尺度空间上寻找关键点(特征点)并计算出关键点的方向。
b. 步骤
(1)构建差分金字塔
\space
\space
\space
\space
\space
\space
\space
\space
输入图像与不同的高斯卷积核(
σ
\sigma
σ,
3
σ
3\sigma
3σ,
5
σ
5\sigma
5σ,…)进行卷积得到高斯金字塔,随后高斯金字塔逐层相减得到差分金字塔;
(2)尺度空间极值检测
\space
\space
\space
\space
\space
\space
\space
\space
通过高斯微分函数来搜索差分金字塔各个尺度上图像中尺度和旋转不变的点;
(3)关键点定位
\space
\space
\space
\space
\space
\space
\space
\space
在每个候选位置上通过拟合精细模型来确定位置和尺度;
方向定位:
(4)方向定位
\space
\space
\space
\space
\space
\space
\space
\space
基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向
(5)关键点描述
\space
\space
\space
\space
\space
\space
\space
\space
在每个关键点邻域,测量局部梯度。
c. 关键点概述
SIFT所查找到的关键点是一些十分突出,不会因为光照、仿射变化和噪音等因素而变化的点,如角点、边缘点、暗点等。
最终搜索到的关键点的值主要分为:位置(x, y),尺度(高斯参数),主方向,方向梯度描述子(128维)。
2. HOG特征
HOG( Histogram of Oriented Gradients)为方向梯度直方图,该特征常用于行人检测领域。
a. 实质
HOG特征的实质是通过计算和统计图像局部区域的梯度直方图来构成特征。
b. 步骤
(1)灰度化
(2)颜色空间归一化(目的是调节图像对比度,降低局部阴影和光照变化带来的影响)
(3)计算每个像素的梯度<大小和方向>(目的是捕获图像的轮廓信息,弱化光照影响)
(4)将图像划分成多个cells单元
(5)统计每个cell的梯度直方图,形成每个cell的描述器
(6)将每个cell组成一个block,一个block内所有cell的特征描述器串联起来就是block的HOG特征描述器
(7)将所有block的HOG特征描述器串联起来得到该图像的HOG descriptor,此为最终可供分类使用的特征向量。
3. Haar-like特征
a. 实质
haar特征值反映了图像的灰度变化情况,常用于人脸检测。
b. 特征模板
haar特征分为三类:边缘特征、线性特征和中心特征。
(1)边缘特征
(2)线性特征
(3)中心特征
c. 模板特征值
模板特征值=白色矩形像素减去黑色像素值,举例说明:
e.g. 边缘特征的第一个第二个的模板特征值:特征值=Sum白-Sum黑;
e.g. 线性特征的第一个的模板特征值:特征值=Sum白-2Sum黑(黑色像素乘2是为了使两种矩形区域中像素数目一致)。
转载需标明原作者:https://blog.csdn.net/weixin_39444746/article/details/106742891