图像特征与目标检测

 图像特征
图像特征提取与匹配是计算机视觉中的一个关键问题，在目标检测、物体识别、三维重建、图像配准、图像理解等具体应用中发挥着重要作用。
图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。

 形状特征

• HOG特征提取

方向梯度直方图 (Histogram of Oriented Gradient,HOG) 特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。
它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。
主要思想:在一副图像中，目标的形状能够被梯度或边缘的方向密度分布很好地描述。

实现过程

灰度化 (将图像看做一个x,y,z (灰度) 的三维图像)
采用Gamma校正法对输入图像进行颜色空间的标准化 (归一化) ;
计算图像每个像素的梯度 (包括大小和方向)
将图像划分成小cells;
统计每个cell的梯度直方图 (不同梯度的个数) ，得到cell的描述子:
将每几个cell组成一个block，得到block的描述子;
将图像image内的所有block的HOG特征descriptor串联起来就可以得到HOG特征，该特征向量就是用来目标检测或分类的特征。

 

• 角点概念 Harris 

角点: 在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义:
角点可以是两个边缘的交点;
角点是邻域内具有两个主方向的特征点;

角点计算方法:
前者通过图像边缘计算，计算量大，图像局部变化会对结果产生较大的影响;
后者基于图像灰度的方法通过计算点的曲率及梯度来检测角点

 

• SIFT算法

SIFT，即尺度不变特征变换算法(Scale-invariant feature transform，SIFT)是用于图像处理领域的一种算法。SIFT具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

SIFT算法步骤:
尺度空间极值检测点检测
关键点定位: 去除一些不好的特征点，保存下来的特征点能够满足稳定性等条件关键点方向参数: 获取关键点所在尺度空间的邻域，然后计算该区域的梯度和方向，根据计算得到的结果创建方向直方图，直方图的峰值为主方向的参数关键点描述符: 每个关键点用一组向量(位置、尺度、方向) 将这个关键点描述出来，使其不随着光照、视角等等影响而改变关键点匹配: 分别对模板图和实时图建立关键点描述符集合，通过对比关键点描述符来判断两个关键点是否相同

纹理特征

LBP (Local Binary Pattern，局部二值模式)，是一种用来描述图像局部纹理特征的算子;它具有旋转不恋性和灰度不变性等显著的优点;

 LBP记录的是中心像素点与领域像素点之间的差值

当光照变化引起像素灰度值同增同减时，LBP变化并不明显

LBP对与光照变化不敏感，LBP检测的仅仅是图像的纹理信息;

 

模板匹配

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定目标的图像位于图像的什么地方，进而对图像进行定位
匹配程在待检测图像上，从左到右，从上向下计算模板图像与重叠子图像的匹配度，度越大，两者相同的可能性越大