计算机视觉中的传统特征提取方法总结
來源丨機(jī)器學(xué)習(xí)AI算法工程
編輯丨極市平臺(tái)
導(dǎo)讀
?本文對(duì)計(jì)算機(jī)視覺傳統(tǒng)方法中的一些特征提取方法進(jìn)行了總結(jié)，主要包括有：SIFT(尺度不變特征變換)、HOG(方向梯度直方圖)、SURF、ORB、LBP、HAAR?
[1] SIFT（尺度不變特征變換）
[2] HOG（方向梯度直方圖）
[3] SIFT和HOG的比較
[4] SIFT/HOG與神經(jīng)網(wǎng)絡(luò)特征提取的比較
[5] 其他傳統(tǒng)特征提取的方法（SURF、ORB、LBP、HAAR）
先對(duì)幾個(gè)概念和問題做一個(gè)解釋：
圖像為什么要灰度化？
識(shí)別物體，最關(guān)鍵的因素是梯度（SIFT/HOG），梯度意味著邊緣，這是最本質(zhì)的部分，而計(jì)算梯度，自然就用到灰度圖像了，可以把灰度理解為圖像的強(qiáng)度。
顏色，易受光照影響，難以提供關(guān)鍵信息，故將圖像進(jìn)行灰度化，同時(shí)也可以加快特征提取的速度。
仿射不變性
平面上任意兩條線，經(jīng)過仿射變換后，仍保持原來的狀態(tài)（比如平行的線還是平行，相交的線夾角不變等）
什么是局部特征？局部特征應(yīng)該具有的特點(diǎn)？
局部特征從總體上說是圖像或在視覺領(lǐng)域中一些有別于其周圍的地方；局部特征通常是描述一塊區(qū)域，使其能具有高可區(qū)分度；局部特征的好壞直接會(huì)決定著后面分類、識(shí)別是否會(huì)得到一個(gè)好的結(jié)果。
局部特征應(yīng)該具有的特點(diǎn)：?可重復(fù)性、可區(qū)分性、準(zhǔn)確性、有效性（特征的數(shù)量、特征提取的效率）、魯棒性（穩(wěn)定性、不變性）。
1、SIFT（尺度不變特征變換）
1.1 SIFT特征提取的實(shí)質(zhì)
在不同的尺度空間上查找關(guān)鍵點(diǎn)(特征點(diǎn))，并計(jì)算出關(guān)鍵點(diǎn)的方向。SIFT所查找到的關(guān)鍵點(diǎn)是一些十分突出、不會(huì)因光照、仿射變換和噪音等因素而變化的點(diǎn)，如角點(diǎn)、邊緣點(diǎn)、暗區(qū)的亮點(diǎn)及亮區(qū)的暗點(diǎn)等。
1.2 SIFT特征提取的方法
1. 構(gòu)建DOG尺度空間：
模擬圖像數(shù)據(jù)的多尺度特征，大尺度抓住概貌特征，小尺度注重細(xì)節(jié)特征。通過構(gòu)建高斯金字塔（每一層用不同的參數(shù)σ做高斯模糊（加權(quán)）），保證圖像在任何尺度都能有對(duì)應(yīng)的特征點(diǎn)，即保證尺度不變性。
2. ?關(guān)鍵點(diǎn)搜索和定位：
確定是否為關(guān)鍵點(diǎn)，需要將該點(diǎn)與同尺度空間不同σ值的圖像中的相鄰點(diǎn)比較，如果該點(diǎn)為max或min，則為一個(gè)特征點(diǎn)。找到所有特征點(diǎn)后，要去除低對(duì)比度和不穩(wěn)定的邊緣效應(yīng)的點(diǎn)，留下具有代表性的關(guān)鍵點(diǎn)（比如，正方形旋轉(zhuǎn)后變?yōu)榱庑?#xff0c;如果用邊緣做識(shí)別，4條邊就完全不一樣，就會(huì)錯(cuò)誤；如果用角點(diǎn)識(shí)別，則穩(wěn)定一些）。去除這些點(diǎn)的好處是增強(qiáng)匹配的抗噪能力和穩(wěn)定性。最后，對(duì)離散的點(diǎn)做曲線擬合，得到精確的關(guān)鍵點(diǎn)的位置和尺度信息。
3. 方向賦值：
為了實(shí)現(xiàn)旋轉(zhuǎn)不變性，需要根據(jù)檢測(cè)到的關(guān)鍵點(diǎn)的局部圖像結(jié)構(gòu)為特征點(diǎn)賦值。具體做法是用梯度方向直方圖。在計(jì)算直方圖時(shí)，每個(gè)加入直方圖的采樣點(diǎn)都使用圓形高斯函數(shù)進(jìn)行加權(quán)處理，也就是進(jìn)行高斯平滑。這主要是因?yàn)镾IFT算法只考慮了尺度和旋轉(zhuǎn)不變形，沒有考慮仿射不變性。通過高斯平滑，可以使關(guān)鍵點(diǎn)附近的梯度幅值有較大權(quán)重，從而部分彌補(bǔ)沒考慮仿射不變形產(chǎn)生的特征點(diǎn)不穩(wěn)定。注意，一個(gè)關(guān)鍵點(diǎn)可能具有多個(gè)關(guān)鍵方向，這有利于增強(qiáng)圖像匹配的魯棒性。
4. 關(guān)鍵點(diǎn)描述子的生成：
關(guān)鍵點(diǎn)描述子不但包括關(guān)鍵點(diǎn)，還包括關(guān)鍵點(diǎn)周圍對(duì)其有貢獻(xiàn)的像素點(diǎn)。這樣可使關(guān)鍵點(diǎn)有更多的不變特性，提高目標(biāo)匹配效率。在描述子采樣區(qū)域時(shí)，需要考慮旋轉(zhuǎn)后進(jìn)行雙線性插值，防止因旋轉(zhuǎn)圖像出現(xiàn)白點(diǎn)。同時(shí)，為了保證旋轉(zhuǎn)不變性，要以特征點(diǎn)為中心，在附近領(lǐng)域內(nèi)旋轉(zhuǎn)θ角，然后計(jì)算采樣區(qū)域的梯度直方圖，形成n維SIFT特征矢量（如128-SIFT）。最后，為了去除光照變化的影響，需要對(duì)特征矢量進(jìn)行歸一化處理。
如果對(duì)上述純文字理解困難，可以參考文章：
SIFT特征提取算法
1.3 SIFT特征提取的優(yōu)點(diǎn)
SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性；
獨(dú)特性（Distinctiveness）好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配；
多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量的SIFT特征向量；
高速性，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實(shí)時(shí)的要求；
可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合；
需要較少的經(jīng)驗(yàn)主義知識(shí)，易于開發(fā)。
1.4 SIFT特征提取的缺點(diǎn)
實(shí)時(shí)性不高，因?yàn)橐粩嗟匾M(jìn)行下采樣和插值等操作；
有時(shí)特征點(diǎn)較少（比如模糊圖像）；
對(duì)邊緣光滑的目標(biāo)無法準(zhǔn)確提取特征（比如邊緣平滑的圖像，檢測(cè)出的特征點(diǎn)過少，對(duì)圓更是無能為力）。
1.5 SIFT特征提取可以解決的問題：
目標(biāo)的自身狀態(tài)、場(chǎng)景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準(zhǔn)/目標(biāo)識(shí)別跟蹤的性能。而SIFT算法在一定程度上可解決：
目標(biāo)的旋轉(zhuǎn)、縮放、平移（RST）
圖像仿射/投影變換（視點(diǎn)viewpoint）
光照影響（illumination）
目標(biāo)遮擋（occlusion）
雜物場(chǎng)景（clutter）
噪聲
近來不斷有人改進(jìn)，其中最著名的有 SURF（計(jì)算量小，運(yùn)算速度快，提取的特征點(diǎn)幾乎與SIFT相同）和 CSIFT（彩色尺度特征不變變換，顧名思義，可以解決基于彩色圖像的SIFT問題）。
2、HOG（方向梯度直方圖）
2.1 HOG特征提取的實(shí)質(zhì)
通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中，尤其在行人檢測(cè)中獲得了極大的成功。
2.2 HOG特征提取的方法
灰度化；
采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化），目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；
計(jì)算圖像每個(gè)像素的梯度（包括大小和方向），主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾；
將圖像劃分成小cells（例如6*6像素/cell）；
統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)），即可形成每個(gè)cell的descriptor；
將每幾個(gè)cell組成一個(gè)block（例如3*3個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。
將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（你要檢測(cè)的目標(biāo)）的HOG特征descriptor了。這個(gè)就是最終的可供分類使用的特征向量了。
2.3 HOG特征提取特點(diǎn)
由于HOG是在圖像的局部方格單元上操作，所以它對(duì)圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。
在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢(shì)，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果。因此HOG特征是特別適合于做圖像中的人體檢測(cè)的。
3、SIFT和HOG的比較
共同點(diǎn)：?都是基于圖像中梯度方向直方圖的特征提取方法
不同點(diǎn)：
SIFT 特征通常與使用SIFT檢測(cè)器得到的興趣點(diǎn)一起使用。這些興趣點(diǎn)與一個(gè)特定的方向和尺度相關(guān)聯(lián)。通常是在對(duì)一個(gè)圖像中的方形區(qū)域通過相應(yīng)的方向和尺度變換后，再計(jì)算該區(qū)域的SIFT特征。
HOG特征的單元大小較小，故可以保留一定的空間分辨率，同時(shí)歸一化操作使該特征對(duì)局部對(duì)比度變化不敏感。
結(jié)合SIFT和HOG方法，可以發(fā)現(xiàn)SIFT對(duì)于復(fù)雜環(huán)境下物體的特征提取具有良好的特性；而HOG對(duì)于剛性物體的特征提取具有良好的特性。
筆者曾做過一個(gè)自然場(chǎng)景分類的實(shí)驗(yàn)，發(fā)現(xiàn)SIFT的準(zhǔn)確率比HOG高，而如果檢測(cè)像人這種剛性的object，HOG的表現(xiàn)要比SIFT好。
4、SIFT/HOG與神經(jīng)網(wǎng)絡(luò)特征提取的比較
眾所周知，隨著深度學(xué)習(xí)的發(fā)展，通過神經(jīng)網(wǎng)絡(luò)提取特征得到了廣泛的應(yīng)用，那么，神經(jīng)網(wǎng)絡(luò)提取的特征與傳統(tǒng)的SIFT/HOG等特征提取方法有什么不同呢？
4.1 神經(jīng)網(wǎng)絡(luò)提取到的特征
我們知道，對(duì)于一副圖像，像素級(jí)的特征沒有任何價(jià)值，而如果特征是一個(gè)具有結(jié)構(gòu)性（或者說有含義）的時(shí)候，比如摩托車是否具有車把手，是否具有車輪，就很容易把摩托車和非摩托車區(qū)分，學(xué)習(xí)算法才能發(fā)揮作用。
早期，兩個(gè)科學(xué)家Bruno Olshausen和 David Field通過實(shí)驗(yàn)研究了這個(gè)問題，發(fā)現(xiàn)一個(gè)復(fù)雜圖像往往由一些基本結(jié)構(gòu)組成。比如下圖：一個(gè)圖可通過用64種正交的edges（可以理解成正交的基本結(jié)構(gòu)）來線性表示。比如樣例的x可以用1-64個(gè)edges中的三個(gè)按照0.8,0.3,0.5的權(quán)重調(diào)和而成。而其他基本edges沒有貢獻(xiàn)，均為0 。
這就是神經(jīng)網(wǎng)絡(luò)每層提取到的特征。由于是通過神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)到了，因此也是無監(jiān)督的特征學(xué)習(xí)過程（Unsupervised Feature Learning） 。直觀上說，就是找到make sense的小patch再將其進(jìn)行combine，就得到了上一層的feature，遞歸地向上learning feature。在不同object上做training是，所得的edge basis 是非常相似的，但object parts和models 就會(huì)completely different了。
4.2 傳統(tǒng)特征提取方法與神經(jīng)網(wǎng)絡(luò)特征提取的比較
觀點(diǎn)1：?傳統(tǒng)特征提取方法的研究過程和思路是非常有用的，因?yàn)檫@些方法具有較強(qiáng)的可解釋性，它們對(duì)設(shè)計(jì)機(jī)器學(xué)習(xí)方法解決此類問題提供啟發(fā)和類比。有部分人認(rèn)為（也有部分人反對(duì)）現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)與這些特征提取方法有一定類似性，因?yàn)槊總€(gè)濾波權(quán)重實(shí)際上是一個(gè)線性的識(shí)別模式，與這些特征提取過程的邊界與梯度檢測(cè)類似。同時(shí)，池化（Pooling）的作用是統(tǒng)籌一個(gè)區(qū)域的信息，這與這些特征提取后進(jìn)行的特征整合（如直方圖等）類似。通過實(shí)驗(yàn)發(fā)現(xiàn)卷積網(wǎng)絡(luò)開始幾層實(shí)際上確實(shí)是在做邊緣和梯度檢測(cè)。不過事實(shí)上卷積網(wǎng)絡(luò)發(fā)明的時(shí)候，還沒有這些特征提取方法。
觀點(diǎn)2：?深度學(xué)習(xí)的數(shù)據(jù)需求量大對(duì)于視覺來說是個(gè)偽命題。許多研究成果已經(jīng)表明深度學(xué)習(xí)訓(xùn)練得到的模型具有很強(qiáng)的遷移能力，因此在大數(shù)據(jù)集上訓(xùn)練完成的模型只要拿過來在小數(shù)據(jù)集上用就可以，不需要完全重新訓(xùn)練。這種方式在小數(shù)據(jù)集上的結(jié)果往往也比傳統(tǒng)方法好。
觀點(diǎn)3：?還是需要重新訓(xùn)練的，只能說大數(shù)據(jù)集訓(xùn)練好的模型提供了一個(gè)比較好的參數(shù)初始化。而且卷積前幾層提取特征僅僅是對(duì)分類問題是對(duì)的，但是對(duì)于一些dense prediction還是不一樣，畢竟提取特征不一定有用，還是task dependent。
觀點(diǎn)4：?深度學(xué)習(xí)是一種自學(xué)習(xí)的特征表達(dá)方法，比SIFT/HOG這些依靠先驗(yàn)知識(shí)設(shè)計(jì)的feature的表達(dá)效果高。早在13年大家都發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的最后一層的local特征和SIFT性質(zhì)差不多，但是表達(dá)能力強(qiáng)太多。SIFT能做的事情CNN都能做，表達(dá)效果也強(qiáng)，那深度學(xué)習(xí)取代SIFT是遲早的事情（或者說已經(jīng)發(fā)生的事情）。深度神經(jīng)網(wǎng)絡(luò)識(shí)別率的提高不需要建立在需求大量訓(xùn)練樣本的基礎(chǔ)上，拿pre-train好的模型直接用就可以了。在一些沒有訓(xùn)練樣本的應(yīng)用（圖像分割（image stithing）/ 立體匹配（stereo mathing）) ，可以把卷積層的activation提取出來做stitching的local feature（感覺是一個(gè)可以探索的方向）。未來還有SIFT/SURF這種固定特征提取算法的生存空間嗎？除非是嵌入式這種計(jì)算資源極端受限的情況，但是現(xiàn)在大家都在試著implement CNN FPGA甚至ASIC了。
觀點(diǎn)5：?2016年ECCV上舉辦的一個(gè)local feature的工作會(huì)，發(fā)現(xiàn)在核心匹配問題上，CNN并沒有什么突破性的進(jìn)展。在Oxford大學(xué)的VGG組提供的Hpatch數(shù)據(jù)集上，發(fā)現(xiàn)rootsiftpca效果最好，如圖：
那么提出兩個(gè)問題：（1）現(xiàn)在流行的特征學(xué)習(xí)方法siamese或triplet等結(jié)構(gòu)是否缺失了什么？（2）雖然CNN可以挖掘patch里面包含的信息并建立對(duì)于復(fù)雜幾何和光照變化的不變性，但是這種學(xué)習(xí)到的不變性是否過度依賴于數(shù)據(jù)而無法有效泛化到真實(shí)匹配場(chǎng)景中所遇到的影像之間的復(fù)雜變化呢？
5、其他傳統(tǒng)特征提取的方法（SURF、ORB、LBP、HAAR）
SURF、ORB、LBP可以參考文章：
圖像特征檢測(cè)描述(一):SIFT、SURF、ORB、HOG、LBP特征的原理概述及OpenCV代碼實(shí)現(xiàn)
https://link.jianshu.com/?t=http://lib.csdn.net/article/opencv/41913
5.1 SURF
前面提到SITF的缺點(diǎn)是如果不借助硬件加速或?qū)ｉT的圖像處理器很難達(dá)到實(shí)現(xiàn)，所以人們就要想辦法對(duì)SITF算子進(jìn)行改進(jìn)，SURF算子便是對(duì)SIFT的改進(jìn)，不過改進(jìn)之后在算法的運(yùn)行時(shí)間上還是沒有質(zhì)的飛躍。后面要介紹的ORB特征描述算子在運(yùn)行時(shí)間上才是一種質(zhì)的飛躍。
SURF主要是把SIFT中的某些運(yùn)算作了簡(jiǎn)化。SURF把SIFT中的高斯二階微分的模板進(jìn)行了簡(jiǎn)化，使得卷積平滑操作僅需要轉(zhuǎn)換成加減運(yùn)算，這樣使得SURF算法的魯棒性好且時(shí)間復(fù)雜度低。SURF最終生成的特征點(diǎn)的特征向量維度為64維。
5.2 ORB
ORB特征描述算法的運(yùn)行時(shí)間遠(yuǎn)優(yōu)于SIFT與SURF，可用于實(shí)時(shí)性特征檢測(cè)。ORB特征基于FAST角點(diǎn)的特征點(diǎn)檢測(cè)與描述技術(shù)，具有尺度與旋轉(zhuǎn)不變性，同時(shí)對(duì)噪聲及透視仿射也具有不變性，良好的性能使得用ORB在進(jìn)行特征描述時(shí)的應(yīng)用場(chǎng)景十分廣泛。
ORB特征檢測(cè)主要分為以下兩個(gè)步驟：
①方向FAST特征點(diǎn)檢測(cè)：?FAST角點(diǎn)檢測(cè)是一種基于機(jī)器學(xué)習(xí)的快速角點(diǎn)特征檢測(cè)算法，具有方向的FAST特征點(diǎn)檢測(cè)是對(duì)興趣點(diǎn)所在圓周上的16個(gè)像素點(diǎn)進(jìn)行判斷，若判斷后的當(dāng)前中心像素點(diǎn)為暗或亮，將候定其是否為角點(diǎn)。FAST角點(diǎn)檢測(cè)計(jì)算的時(shí)間復(fù)雜度小，檢測(cè)效果突出。FAST角點(diǎn)檢測(cè)為加速算法實(shí)現(xiàn)，通常先對(duì)回周上的點(diǎn)集進(jìn)行排序，排序使得其計(jì)算過程大大得到了優(yōu)化。FAST對(duì)多尺度特性的描述是還是通過建立圖像金字塔實(shí)現(xiàn)的，而對(duì)于旋轉(zhuǎn)不變性即方向的特征則引入灰度質(zhì)心法用于描述特征點(diǎn)的方向。
②BRIEF特征描述：?BRIEF描述子主要是通過隨機(jī)選取興趣點(diǎn)周圍區(qū)域的若干點(diǎn)來組成小興趣區(qū)域，將這些小興趣區(qū)域的灰度二值化并解析成二進(jìn)制碼串，將串特征作為該特征點(diǎn)的描述子，BRIEF描述子選取關(guān)鍵點(diǎn)附近的區(qū)域并對(duì)每一位比較其強(qiáng)度大小，然后根據(jù)圖像塊中兩個(gè)二進(jìn)制點(diǎn)來判斷當(dāng)前關(guān)鍵點(diǎn)編碼是0還是1.因?yàn)锽RIEF描述子的所有編碼都是二進(jìn)制數(shù)的，這樣就節(jié)省了計(jì)算機(jī)存儲(chǔ)空間。
5.3 LBP
LBP(Local Binary Pattern)，局部二值模式是一種描述圖像局部紋理的特征算子，具有旋轉(zhuǎn)不變性與灰度不變性等顯著優(yōu)點(diǎn)。LBP特征描述的是一種灰度范圍內(nèi)的圖像處理操作技術(shù)，針對(duì)的是輸入源為8位或16位的灰度圖像。LBP特征是高效的圖像特征分析方法，經(jīng)過改進(jìn)與發(fā)展已經(jīng)應(yīng)用于多個(gè)領(lǐng)域之中，特別是人臉識(shí)別、表情識(shí)別、行人檢測(cè)領(lǐng)域已經(jīng)取得了成功。LBP特征將窗口中心點(diǎn)與鄰域點(diǎn)的關(guān)系進(jìn)行比較，重新編碼形成新特征以消除對(duì)外界場(chǎng)景對(duì)圖像的影響，因此一定程度上解決了復(fù)雜場(chǎng)景下（光照變換）特征描述問題。
LBP算法根據(jù)窗口領(lǐng)域的不同分為經(jīng)曲LBP和圓形LBP兩種。下面分別介紹：
①經(jīng)典LBP：?經(jīng)典LBP算子窗口為3×3的正方形窗口，以窗口中心像素為閾值，將其相鄰8領(lǐng)域像素灰度與中心像素值比較，若中心像素值小于周圍像素值，則該中心像素位置被標(biāo)記為1，否則為0（顯然這種規(guī)則下，對(duì)于中心點(diǎn)大于或等于這兩種情況，算法無法區(qū)分，后續(xù)經(jīng)過改進(jìn)引入LBP+與LBP-因子用來區(qū)分這兩種情況）。圖像經(jīng)過這種遍歷操作后，圖像就被二值化了，每一個(gè)窗口中心的8鄰域點(diǎn)都可以由8位二進(jìn)制數(shù)來表示，即可產(chǎn)生256種LBP碼，這個(gè)LBP碼值可以用來反映窗口的區(qū)域紋理信息。LBP具體在生成的過程中，先將圖像劃分為若干個(gè)子區(qū)域，子區(qū)域窗口可根據(jù)原圖像的尺寸進(jìn)行調(diào)整，而不一定非得為3×3的正方形窗口。一般對(duì)于512×640的圖像，子區(qū)域窗口區(qū)域選取大小為16×16。
②圓形LBP：?經(jīng)典LBP用正方形來描述圖像的紋理特征，其缺點(diǎn)是難以滿足不同尺寸和頻率的需求。Ojala等人對(duì)經(jīng)典LBP進(jìn)行了改進(jìn)，提出了將3×3的正方形窗口領(lǐng)域擴(kuò)展到任意圓形領(lǐng)域。由于圓形LBP采樣點(diǎn)在圓形邊界上，那么必然會(huì)導(dǎo)致部分計(jì)算出來的采樣點(diǎn)坐標(biāo)不是整數(shù)，因此這里就需要對(duì)得到的坐標(biāo)像素點(diǎn)值進(jìn)行處理，常用的處理方法是最近鄰插值或雙線性插值。
放一張SIFT/HOG/LBP優(yōu)缺點(diǎn)、適用范圍對(duì)比圖：
5.4 HAAR
人臉檢測(cè)最為經(jīng)典的算法Haar-like特征+Adaboost。這是最為常用的物體檢測(cè)的方法（最初用于人臉檢測(cè)），也是用的最多的方法。
訓(xùn)練過程：?輸入圖像->圖像預(yù)處理->提取特征->訓(xùn)練分類器（二分類）->得到訓(xùn)練好的模型；
測(cè)試過程：?輸入圖像->圖像預(yù)處理->提取特征->導(dǎo)入模型->二分類（是不是所要檢測(cè)的物體）。
Haar-like特征是很簡(jiǎn)單的，無非就是那么幾種，如兩矩形特征、三矩形特征、對(duì)角特征。后來，還加入了邊緣特征、線特征、中心環(huán)繞特征等。使用積分圖可以加速計(jì)算特征。最后，使用集成的方法Adaboost進(jìn)行訓(xùn)練。
具體細(xì)節(jié)可以參考文章：
特征提取之Haar特征
https://link.jianshu.com/?t=http://blog.csdn.net/xizero00/article/details/46929261
再附一個(gè)Haar和HOG比較的問題：
為什么在行人檢測(cè)中，HOG特征比Haar特征更精確？
https://link.jianshu.com/?t=http://blog.csdn.net/DuinoDu/article/details/51981327
Conclusion
SIFT / HOG 不同點(diǎn)：SIFT提取的關(guān)鍵點(diǎn)是角點(diǎn)，HOG提取的是邊緣特征。
傳統(tǒng)特征提取 / CNN特征提取不同點(diǎn)：傳統(tǒng)特征提取方法的檢測(cè)算子一般是人為設(shè)計(jì)好的，是經(jīng)過大量的先驗(yàn)知識(shí)總結(jié)得到的；CNN特征提取相當(dāng)于在訓(xùn)練一個(gè)個(gè)filter（過濾器、卷積核），這些filter相當(dāng)于傳統(tǒng)特征提取方法中的檢測(cè)算子。因此，CNN特征提取是利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)得到的。
本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。
重磅！計(jì)算機(jī)視覺工坊-學(xué)習(xí)交流群已成立
掃碼添加小助手微信，可申請(qǐng)加入3D視覺工坊-學(xué)術(shù)論文寫作與投稿?微信交流群，旨在交流頂會(huì)、頂刊、SCI、EI等寫作與投稿事宜。
同時(shí)也可申請(qǐng)加入我們的細(xì)分方向交流群，目前主要有ORB-SLAM系列源碼學(xué)習(xí)、3D視覺、CV&深度學(xué)習(xí)、SLAM、三維重建、點(diǎn)云后處理、自動(dòng)駕駛、CV入門、三維測(cè)量、VR/AR、3D人臉識(shí)別、醫(yī)療影像、缺陷檢測(cè)、行人重識(shí)別、目標(biāo)跟蹤、視覺產(chǎn)品落地、視覺競(jìng)賽、車牌識(shí)別、硬件選型、深度估計(jì)、學(xué)術(shù)交流、求職交流等微信群，請(qǐng)掃描下面微信號(hào)加群，備注：”研究方向+學(xué)校/公司+昵稱“，例如：”3D視覺?+ 上海交大 + 靜靜“。請(qǐng)按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)去相關(guān)微信群。原創(chuàng)投稿也請(qǐng)聯(lián)系。
▲長(zhǎng)按加微信群或投稿
▲長(zhǎng)按關(guān)注公眾號(hào)
3D視覺從入門到精通知識(shí)星球：針對(duì)3D視覺領(lǐng)域的視頻課程（三維重建系列、三維點(diǎn)云系列、結(jié)構(gòu)光系列、手眼標(biāo)定、相機(jī)標(biāo)定、激光/視覺SLAM、自動(dòng)駕駛等）、知識(shí)點(diǎn)匯總、入門進(jìn)階學(xué)習(xí)路線、最新paper分享、疑問解答五個(gè)方面進(jìn)行深耕，更有各類大廠的算法工程人員進(jìn)行技術(shù)指導(dǎo)。與此同時(shí)，星球?qū)⒙?lián)合知名企業(yè)發(fā)布3D視覺相關(guān)算法開發(fā)崗位以及項(xiàng)目對(duì)接信息，打造成集技術(shù)與就業(yè)為一體的鐵桿粉絲聚集區(qū)，近4000星球成員為創(chuàng)造更好的AI世界共同進(jìn)步，知識(shí)星球入口：
學(xué)習(xí)3D視覺核心技術(shù)，掃描查看介紹，3天內(nèi)無條件退款
?圈里有高質(zhì)量教程資料、可答疑解惑、助你高效解決問題
覺得有用，麻煩給個(gè)贊和在看~
總結(jié)
以上是生活随笔為你收集整理的计算机视觉中的传统特征提取方法总结的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Mineflayer简介——Minecr
- 下一篇： 关联分析之Apriori学习笔记