想自学图像处理的相关知识,正好实验室师兄做过两个关于红外目标跟踪的项目,因此从mean-shift 、SR、RP、PF开始学习。但是查阅资料的时候,发现对各种算法理解非常
利用图像处理算法,实现的功能一般包括:
目标的检测、识别、跟踪。常见的问题包括:人脸检测、人脸识别、目标跟踪等问题。
特征提取
|
|
|
优缺点 |
应用 |
全局特征 |
直方图 |
灰度/颜色直方图 |
空间信息缺失,对目标外观改变敏感,如姿态、光照、非刚性形变 |
直方图+mean-shift Ø 红外船舰跟踪 |
颜色特征 |
HSV/RGB/YCbCr |
对目标外观改变敏感,如姿态、光照、非刚性形变 |
像素值+SR 像素值+PCA Ø 基于整体法的人脸识别 |
|
轮廓特征 |
|
|
|
|
局部特征 |
点特征 |
Harris 角点检测 |
|
|
SIFT 关键点检测 |
具有旋转不变、尺度不变、视角不变的特征 |
SIFT+K-means +SVM Ø 文字识别 |
||
BRISK描述符 |
|
|
||
CARD描述符 |
|
|
||
边缘特征 |
Canny算子 |
|
|
|
HOG 方向梯度直方图 |
几何的和光学的形变都能保持很好的不变性 只要行人大体上能够保持直立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果 |
HOG+SVM Ø 行人检测(人体检测) Ø 入侵检测 |
||
纹理特征 |
Gabor变换 |
|
|
|
LBP 局部二值模式 |
旋转不变性、灰度不变性 |
|
||
Haar-like |
Haar-like |
相比于直接使用像素值特征,降低了计算复杂度,极大提升了计算速度 |
Haar-like+adaboost Ø 人脸检测 |
|
运动特征 |
光流 |
|
|
|
SIFT流 |
|
|
|
目标检测(从图像中找出目标区域)
基于判决式模型 将目标和背景看为二分类的方法 |
SVM |
二分类问题,寻找最大分类间隔 |
Adaboost |
|
|
神经网络 |
|
|
基于生成模型 寻找与目标相似度最大的区域 |
PCA |
|
SR |
|
|
随机森林 |
|
|
背景建模 |
混合高斯模型 |
|
目标识别(实现目标的分类)
对已知物体类别总数的识别方式我们称之为分类,并且训练的数据是有标签的,比如已经明确指定了是人脸还是非人脸,这是一种有监督学习:从人脸库中识别输入的人脸
其他方法
简化数据 |
PCA |
|
LDA |
|
|
SVD |
|
|
RP |
|
|
聚类 |
K-means |
如在进行SVM之前,可以对特征进行聚类 |