目标检测中一些主要的颜色处理方法

一. 

在各个颜色通道上应用基于形状的图像描述子，例如SIFT描述子，常见的有HSVsift，Opponentsift和related Csift descriptors。SIFT算子是David G Lowe在2004提出的，即尺度不变特征变换(Scale Invariant Feature Transform)。它是以尺度空间的构造为基础的局部特征描述算子，对于图像的缩放、旋转和放射变换等具有不变性。SIFT算子在构建好的尺度空间的基础上搜索尺度空间中的极值点(特征点)，然后确定极值点的尺度信息以及位置，再确定极值点的方向(其邻域梯度的主方向)，最终可以得到具有鲁棒性的128维(4*4*8)的特征描述子。

 

二.

将基于形状的描述子（从灰度像素强度计算）与色调/颜色直方图串联起来。该方法中，颜色和形状信息分开处理。Van de Weijer＆Schmid描述了用于图像分类的Huesift描述子，该描述子基于颜色直方图与灰度图像SIFT描述子的串联。彩色图像描述子是根据它们对常见图像变换的鲁棒性进行评估的。 虽然描述子的相对排名根据数据集而变化，但是在没有任何特定的任务先验知识的情况下，Opponentsift被证明是最佳选择。

三.

GIST描述子。一种场景特征描述。通常的特征描述符都是对图片的局部特征进行描述的，以这种思路进行场景描述是不可行的。比如：对于“大街上有一些行人”这个场景，我们必须通过局部特征辨认图像是否有大街、行人等对象，再断定这是否是满足该场景。但这个计算量无疑是巨大的，且特征向量也可能大得无法在内存中存储计算。

这迫使我们需要一种更加“宏观”的特征描述方式，从而忽略图片的局部特点。比如：我们无需知道图像中在那些位置有多少人，或者有其他什么对象。那么应该如何定义一种“宏观”的场景特征描述呢？

详见http://www.cnblogs.com/justany/archive/2012/12/06/2804211.html