2019-06-23
圖像特征提取方法：
Haar、Gabor、LBP、SIFT、HOG

Haar

這個好像不錯：第九節(jié)、人臉檢測之Haar分類器
好像就是檢測不同種模式的特征的感覺。

Haar

HOG

這個是篇英文的，很不錯：HOG
下面貼了3個中文的，其中這個是翻譯：圖像學習-HOG特征

• 預處理：
  crop截取、resize -> 64x128。
• 對于8x8的網(wǎng)格，計算梯度圖像：
  把64x128劃分成8x8的網(wǎng)格，計算這個8x8區(qū)域的梯度直方圖。得到9個bin的1個向量。
• 對于16x16的塊，歸一化：
  得到長度為4x9=36的向量。
• 計算HOG特征向量：
  一個小圖得到36*105=3780維向量。
• 這是用來做物體檢測的特征描述子...并不是特征點的

SIFT

以前整理過，現(xiàn)在簡單整理關(guān)鍵點。
還是參考大神的：SIFT算法詳解

• 4步：
  (1) 尺度空間極值檢測
  (2) 關(guān)鍵點定位
  (3) 方向確定
  (4) 關(guān)鍵點描述
• 分離高斯模糊：
  在二維中，疊加兩個一維的高斯。如此減少運算量（沒仔細算，好像是的）。
• 尺度空間，也就是構(gòu)建高斯金字塔：
  組octave之間是下采樣的關(guān)系。
  層interval之間是做不同尺度的高斯模糊。
• 構(gòu)建高斯差分金字塔（Difference of Gaussian, DoG）：
  高斯差分算子代替拉普拉斯算子。
  使用高斯金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像，用于檢測極值。
• 空間極值點檢測：
  DoG上的每個點，與其在圖像域和尺度域中相鄰的333-1=26個點進行比較，看是否為極值點。
• 關(guān)鍵點定位：
  離散空間的極值點并不是真正的極值點，找真正的（具體沒看過）。
• 關(guān)鍵點方向的分配：
  為了使描述符具有旋轉(zhuǎn)不變性，需要利用圖像的局部特征為給每一個關(guān)鍵點分配一個基準方向。使用圖像梯度的方法求取局部結(jié)構(gòu)的穩(wěn)定方向。對于在DOG金字塔中檢測出的關(guān)鍵點點，采集其所在高斯金字塔圖像3σ鄰域窗口內(nèi)像素的梯度和方向分布特征。在完成關(guān)鍵點的梯度計算后，使用直方圖統(tǒng)計鄰域內(nèi)像素的梯度和方向。梯度直方圖將0~360度的方向范圍分為36個柱(bins)，其中每柱10度。如圖5.1所示，直方圖的峰值方向代表了關(guān)鍵點的主方向。
  至此，我們獲得的特征點具有了位置、尺度和方向的信息。
• 關(guān)鍵點特征描述：
  這個描述子不但包括關(guān)鍵點，也包含關(guān)鍵點周圍對其有貢獻的像素點。
  （emmm具體怎么來的還是沒看）