SIFT与HOG特征提取
来源:互联网 发布:mac vm文件夹 编辑:程序博客网 时间:2024/05/17 13:43
SIFT :scale invariant feature transform
HOG:histogram of oriented gradients
这两种方法都是基于图像中梯度的方向直方图的特征提取方法。
1. SIFT 特征
实现方法:
SIFT 特征通常与使用SIFT检测器得到的感兴趣点一起使用。这些感兴趣点与一个特定的方向和尺度(scale)相关联。通常是在对一个图像中的方形区域通过相应的方向和尺度变换后,再计算该区域的SIFT特征。
首先计算梯度方向和幅值(使用Canny边缘算子在感兴趣点的周围16X16像素点区域计算)。对得到的方向在0-360度范围内分成八个区间,然后将16X16大小的区域分成不重合的4X4个单元,每个单元内计算梯度方向直方图(八个区间)。一共得到16个单元的直方图,将这些直方图接连起来得到长度为128X1的向量,然后将该向量归一化。
特点:
(1)由于使用梯度进行计算,该特征计算方法对恒定的灰度变化具有不变性。
(2)最后一步中的归一化过程使该特征对图像对比度具有一定不变性。
(3)由于在4X4的单元内计算直方图,该特征不会受到一些小的形变的影响。
2. HOG 特征
实现方法:
HOG 特征 的实现方法与SIFT特征的实现方法类似,其广泛用于行人检测中。举例来说,假如使用64X128的窗口进行检测,先计算每个像素点处的梯度方向和幅值,梯度方向在0-180度范围内被分成9个区间,64X128的区域被分成6X6大小的单元,每个单元内计算梯度方向直方图。用3X3 个单元组成一个块,在块内将9个直方图组合成一维向量后归一化。然后将所有的块得到的向量连接在一起得到最终的HOG 特征。
特点:
(1)单元的大小较小,故可以保留一定的空间分辨率。
(2)归一化操作使该特征对局部对比度变化不敏感。
参考: http://blog.csdn.net/zouxy09/article/details/7929348
- SIFT与HOG特征提取
- sift特征提取与分析
- SIFT特征提取与匹配
- SIFT特征提取与匹配
- SIFT算法的特征提取与匹配
- Opencv Sift算子特征提取与匹配
- SIFT特征提取与描述算法
- Opencv Sift算子特征提取与匹配
- Opencv Sift算子特征提取与匹配
- GMM、fisher vector、SIFT与HOG特征资料
- GMM、fisher vector、SIFT与HOG特征资料
- GMM、fisher vector、SIFT与HOG特征资料
- Hog特征提取
- Hog特征提取
- Hog特征提取
- 特征提取--hog
- OpenCV提取HOG特征
- hog 图像特征提取
- Docker小记
- linux内核中的每cpu变量
- 小白探访WINDOWS下的驱动(引言)
- 多线程:interrupt()方法 守护线程 join()方法 及优先级
- 每CPU变量
- SIFT与HOG特征提取
- Android SDK开发包国内下载地址
- vs工具
- 编写程序得出1到100的所有整数出现对少次九
- 华为交换机查找ip对应端口限速
- 激活第一个CPU
- linux:CPU私有变量(per-CPU变量)
- 编写程序除过大写字母转换成小写字母,其余原样输出
- linux:cpu 每-CPU 的变量