2019-06-23
图像特征提取方法：
Haar、Gabor、LBP、SIFT、HOG
Haar
这个好像不错：第九节、人脸检测之Haar分类器
好像就是检测不同种模式的特征的感觉。
Haar
HOG
这个是篇英文的，很不错：HOG
下面贴了3个中文的，其中这个是翻译：图像学习-HOG特征
- 预处理：
crop截取、resize -> 64x128。 - 对于8x8的网格，计算梯度图像：
把64x128划分成8x8的网格，计算这个8x8区域的梯度直方图。得到9个bin的1个向量。 - 对于16x16的块，归一化：
得到长度为4x9=36的向量。 - 计算HOG特征向量：
一个小图得到36*105=3780维向量。 - 这是用来做物体检测的特征描述子...并不是特征点的
SIFT
以前整理过，现在简单整理关键点。
还是参考大神的：SIFT算法详解
- 4步：
(1) 尺度空间极值检测
(2) 关键点定位
(3) 方向确定
(4) 关键点描述 - 分离高斯模糊：
在二维中，叠加两个一维的高斯。如此减少运算量（没仔细算，好像是的）。 - 尺度空间，也就是构建高斯金字塔：
组octave之间是下采样的关系。
层interval之间是做不同尺度的高斯模糊。 - 构建高斯差分金字塔（Difference of Gaussian, DoG）：
高斯差分算子代替拉普拉斯算子。
使用高斯金字塔每组中相邻上下两层图像相减，得到高斯差分图像，用于检测极值。 - 空间极值点检测：
DoG上的每个点，与其在图像域和尺度域中相邻的333-1=26个点进行比较，看是否为极值点。 - 关键点定位：
离散空间的极值点并不是真正的极值点，找真正的（具体没看过）。 - 关键点方向的分配：
为了使描述符具有旋转不变性，需要利用图像的局部特征为给每一个关键点分配一个基准方向。使用图像梯度的方法求取局部结构的稳定方向。对于在DOG金字塔中检测出的关键点点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征。在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。梯度直方图将0~360度的方向范围分为36个柱(bins)，其中每柱10度。如图5.1所示，直方图的峰值方向代表了关键点的主方向。
至此，我们获得的特征点具有了位置、尺度和方向的信息。 - 关键点特征描述：
这个描述子不但包括关键点，也包含关键点周围对其有贡献的像素点。
（emmm具体怎么来的还是没看）
