目标识别、目标跟踪算法总结

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