特徵是什麼?
常見的特徵有:邊緣、角,區域;
圖像特徵的操作步驟
目前圖像特徵的提取主要有兩種方法:傳統圖像特徵提取方法 和 深度學習方法。
- 傳統的特徵提取方法:基於圖像本身的特徵進行提取;
- 深度學習方法:基於樣本自動訓練出區分圖像的特徵分類器;
傳統的圖像特徵提取一般分爲三個步驟:預處理、特徵提取、特徵處理;然後在利用機器學習等方法對特徵進行分類等操作;
- 預處理:預處理的目的主要是排除干擾因素,突出特徵信息;主要的方法有:
- 圖片標準化:調整圖片尺寸;
- 圖片歸一化:調整圖片重心爲0;
- 特徵提取:利用特殊的特徵提取子對圖像進行特徵提取,主要有:Harris、SIFT、SURF、LBF、HOG、DPM:
- 特徵處理:主要目的是爲了排除信息量小的特徵,減少計算量等:常見的特徵處理方法是降維,常見的降維方法有:
- 主成分分析;
- 奇異值分解;
- 線性判別分析;
常見的特徵提取方法:
Harris
Harris 具有以下特點:
- Harris 是一種角點特徵描述子;
- 角點對應於物體的拐角:例如:道路的十字路口等;
- Harris 是一個非常熱門的特徵檢測算法;
- Good Feature To Tracker Dectector;
SIFT:尺度不變特徵變換(Scale-invarialt feature transform)
- 該方法由 David Lowe 發表在ICCV;
- 該算法具有對旋轉、尺度縮放、亮度變化保持不變性;
- 對視角變化、仿射變換、噪聲也保持一定程度的穩定性;
- SIFT 唯一的缺點就是實時性不足;
- SURF(Speeded Up Robust Features)以更高效的方式改進了特徵提取和描述的方式;
HOG:(Histogram of Oriented Gradient) 方向梯度直方圖
- 效果很好,應用也廣;
- 基於統計的特徵提取算法:通過統計不同梯度方向的像素而獲取圖像的特徵向量;
LBP:(Local Binary Pattern,局部二值模式)
- 一種紋理特徵描述算子;
- 具有旋轉和灰度不變性等顯著的優點;
DPM:(Discriminatively Trained Part Based Models)
- 想法很好,效果不錯;
- 提出了很多對後續目標識別和深度學習影響深遠的思想;
其他常用的特徵檢測算法
- FAST: Fast Feature Detector;
- STAR: Star Feature Detector;
- ORB: ORB;
- MSER: MSER
- GFTT: Good Feature To Tracker Detector;
- Dense: Dense Feature Detector;
- SimpleBlob: Simple Blob Detector;