文章目录

  • 特征是什么？
  • 图像特征的操作步骤
  • 常见的特征提取方法：
  • 其他常用的特征检测算法


特征是什么？

常见的特征有：边缘、角，区域；



图像特征的操作步骤

目前图像特征的提取主要有两种方法：传统图像特征提取方法 和 深度学习方法。

  • 传统的特征提取方法：基于图像本身的特征进行提取；
  • 深度学习方法：基于样本自动训练出区分图像的特征分类器；


传统的图像特征提取一般分为三个步骤：预处理、特征提取、特征处理；然后在利用机器学习等方法对特征进行分类等操作；

  • 预处理：预处理的目的主要是排除干扰因素，突出特征信息；主要的方法有：
  • 图片标准化：调整图片尺寸；
  • 图片归一化：调整图片重心为0；
  • 特征提取：利用特殊的特征提取子对图像进行特征提取，主要有：Harris、SIFT、SURF、LBF、HOG、DPM：
  • 特征处理：主要目的是为了排除信息量小的特征，减少计算量等：常见的特征处理方法是降维，常见的降维方法有：
  • 主成分分析；
  • 奇异值分解；
  • 线性判别分析；


常见的特征提取方法：

Harris

Harris 具有以下特点：

  • Harris 是一种角点特征描述子；
  • 角点对应于物体的拐角：例如：道路的十字路口等；
  • Harris 是一个非常热门的特征检测算法；
  • Good Feature To Tracker Dectector;


SIFT：尺度不变特征变换（Scale-invarialt feature transform）

  • 该方法由 David Lowe 发表在ICCV；
  • 该算法具有对旋转、尺度缩放、亮度变化保持不变性；
  • 对视角变化、仿射变换、噪声也保持一定程度的稳定性；
  • SIFT 唯一的缺点就是实时性不足；
  • SURF（Speeded Up Robust Features）以更高效的方式改进了特征提取和描述的方式；


HOG：(Histogram of Oriented Gradient) 方向梯度直方图

  • 效果很好，应用也广；
  • 基于统计的特征提取算法：通过统计不同梯度方向的像素而获取图像的特征向量；


LBP：(Local Binary Pattern，局部二值模式)

  • 一种纹理特征描述算子；
  • 具有旋转和灰度不变性等显著的优点；


DPM：(Discriminatively Trained Part Based Models)

  • 想法很好，效果不错；
  • 提出了很多对后续目标识别和深度学习影响深远的思想；


其他常用的特征检测算法

  • 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;