1、SIFT算法與HOG算法特征檢測(cè)SIFT算法SIFT算法 簡(jiǎn)介SIFT（尺度不變特征轉(zhuǎn)換）是一種電腦視覺(jué)的算法，用來(lái)偵測(cè)與描述影像中的局部性特征，它在空間尺度中尋找極值點(diǎn)，并提取出其位置、尺度、旋轉(zhuǎn)不變量，此算法由 David Lowe在1999年所發(fā)表，2004年完善總結(jié)。尋找不變的點(diǎn)SIFT算法 應(yīng)用物體識(shí)別SIFT算法 應(yīng)用圖像拼接SIFT算法 應(yīng)用三維建模SIFT算法 應(yīng)用手勢(shì)識(shí)別SIFT算法 應(yīng)用筆跡鑒定SIFT算法 原理將一幅圖像映射（變換）為一個(gè)局部特征向量集；特征向量具有平移、縮放、旋轉(zhuǎn)不變性，同時(shí)對(duì)光照變化、仿射及投影變換也有一定不變性。SIFT算法 實(shí)現(xiàn)步驟1. 尺度空間極

2、值檢測(cè)：搜索所有尺度上的圖像位置。通過(guò)高斯微分函數(shù)來(lái)識(shí)別潛在的對(duì)于尺度和旋轉(zhuǎn)不變的興趣點(diǎn)。1. 獲取不同尺度空間2. 尺度空間極值檢測(cè)SIFT算法 實(shí)現(xiàn)步驟SIFT算法 實(shí)現(xiàn)步驟2. 關(guān)鍵點(diǎn)定位：在每個(gè)候選的位置上，通過(guò)一個(gè)擬合精細(xì)的模型來(lái)確定位置和尺度。關(guān)鍵點(diǎn)的選擇依據(jù)于它們的穩(wěn)定程度。1. 離散點(diǎn)擬合連續(xù)點(diǎn)2. 消除邊緣響應(yīng)SIFT算法 實(shí)現(xiàn)步驟SIFT算法 實(shí)現(xiàn)步驟3. 方向確定：基于圖像局部的梯度方向，分配給每個(gè)關(guān)鍵點(diǎn)位置一個(gè)或多個(gè)方向。1. 計(jì)算梯度方向2. 直方圖統(tǒng)計(jì)SIFT算法 實(shí)現(xiàn)步驟SIFT算法 實(shí)現(xiàn)步驟4. 關(guān)鍵點(diǎn)描述：在每個(gè)關(guān)鍵點(diǎn)周?chē)泥徲騼?nèi)，在選定的尺度上測(cè)量圖像局部的

3、梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。1. 計(jì)算周?chē)c(diǎn)梯度權(quán)值2. 用向量形式存儲(chǔ)SIFT算法 實(shí)現(xiàn)步驟HOG算法HOG算法 簡(jiǎn)介HOG（梯度方向直方圖）是2005年CVPR會(huì)議上提出的一種解決人體目標(biāo)檢測(cè)的圖像描述子，該方法使用梯度方向直方圖特征來(lái)表達(dá)人體，提取人體的外形信息和運(yùn)動(dòng)信息，形成豐富的特征集。消除干擾，找到輪廓HOG算法 應(yīng)用行人檢測(cè)HOG算法 應(yīng)用智能交通HOG算法 原理在一副圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。（本質(zhì)：梯度的統(tǒng)計(jì)信息，而梯度主要存在于邊緣的地方）。HOG算法 實(shí)現(xiàn)步驟HOG算法 實(shí)現(xiàn)步驟

4、1. 圖像歸一化：歸一化圖像的主要目的是提高檢測(cè)器對(duì)光照的適應(yīng)性，檢測(cè)器必須對(duì)光照不太敏感才會(huì)有好的效果。1. 灰度化2. Gamma校正HOG算法 實(shí)現(xiàn)步驟2. 計(jì)算圖像梯度：計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計(jì)算每個(gè)像素位置的梯度方向值；求導(dǎo)操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進(jìn)一步弱化光照的影響。HOG算法 實(shí)現(xiàn)步驟3. 為每個(gè)cell構(gòu)建梯度方向直方圖：為局部圖像區(qū)域提供一個(gè)編碼，同時(shí)能夠保持對(duì)圖像中人體對(duì)象的姿勢(shì)和外觀(guān)的弱敏感性。HOG算法 實(shí)現(xiàn)步驟4. 把cell組合成block，塊內(nèi)歸一化梯度直方圖：由于局部光照的變化使得梯度強(qiáng)度的變化范圍非常大。這就需要對(duì)梯度強(qiáng)度做歸一化。歸一化能夠進(jìn)一步地對(duì)光照、陰影和邊緣進(jìn)行壓縮。1. 梯度方向權(quán)重投影2. 歸一化HOG算法 實(shí)現(xiàn)步驟5. 收集HOG特征：將檢測(cè)窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量供分類(lèi)使用。HOG與SIFT區(qū)別1，目的不同SIFT圖像匹配，注重細(xì)節(jié)HOG物體識(shí)別，注重整體2，實(shí)現(xiàn)不同SIFT尋找不變特征點(diǎn)HOG尋找物體的輪廓參考方向梯度直方圖（HOG,Histogram of Gradient）學(xué)習(xí)筆記二 HOG正篇/s/blog_60e6e3d50101bkpn.html目標(biāo)檢測(cè)的圖像特征提取之（一）HOG特征/liulina603