2013.7.20各类特征的对比.docVIP

周报 本周仍在继续学习特征提取的内容，可总结如下： 一．结构特征 利用结构上的特征进行图像匹配后的效果： 特征 尺度不变性 旋转性 模糊 亮度 仿射变换 时间 SIFT 4 4 2 2 3 1 SURF 2 2 3 4 3 3 PCA-SIFT 3 3 4 3 4 2 HOG 1 1 \ \ \ 4 注：分四个等级1、2、3、4。1代表最差，4代表最好 由此可见，HOG在时间上是最优的；SIFT在尺度和旋转变换的情况下效果最好；SURF是SIFT的改进，在时间上优于SIFT，在亮度变化下匹配效果最好，在模糊方面优于SIFT，而尺度和旋转的变化不及SIFT，旋转不变上比SIFT差很多。速度上看，SURF是SIFT速度的3倍。 SIFT给每个特征点赋予128维特征描述子，PCA-SIFT是过滤掉了很多维度的信息，只保留20个主分量，SURF是给每个特征点赋予64维特征描述子。 HOG+SVM 常用于行人检测。 下面分别介绍这几种特征在实现时的主要区别： SIFT和HOG的区别： 差别点 SIFT HOG 特征描述方式 基于关键点的特征向量的描述 将图像分成块，统计块内梯度直方图 是否要求极值点 需对图像尺度空间下像素求极值点 不需要求极值点 是否需要特征点提取 需要 不需提取特征点，只求整幅图像的直方图 SIFT和SURF的区别： 差别点 SIFT SURF 尺度空间构建 DOG与不同尺度的图片卷积 不同尺度的box filters与原图片卷积 极值点确定 通过比较DOG尺度空间三维像素灰度值来确定 用Hessian矩阵行列式的特征值符号来确定极值 是否要提出边缘响应 需要 不需要 极值点方向确定 根据像素的梯度来确定 根据像素在x,y方向上的Haar小波响应值来确定 特征向量维数 4*4个子区域，8个方向共128维 4*4个子区域，4个方向供64维 相似度度量方法 基于KD的存储结构，采用BBF算法进行匹配 快速索引匹配和欧氏距离差方匹配 剔除伪匹配点 RANSAC算法 一般不需要 二． 提取颜色特征的方法 颜色直方图特征对比： 颜色特征 优点 缺点 全局颜色直方图 可以衡量两幅图像在颜色全局分布上的差异 对平移、缩放和模糊不敏感，会出现直方图和图像一对多的关系，造成匹配不准确 累加颜色直方图 消除了一半直方图中常见的零值，克服了一般直方图量化过细过粗检索效果都会下降的缺陷 存储量和计算量有所增加 主色调直方图 选出最频繁出现的几种作为主色，简化了计算 选取颜色少同时也造成了匹配结果不准确 颜色矩： 优点：与颜色直方图相比，不需要颜色空间量化，特征向量维数低 缺点： 该方法的检索效率比较低，仅仅使用少数几个矩，导致过多的虚警，因此颜色矩常和其他特征结合使用，在使用其他特征前起到过滤缩小范围的作用。 颜色集： 优点：提高了检索速度，对大规模的图像集合效果明显 缺点：计算量增大，速度减慢 三．纹理特征的比较 纹理特征 优点 缺点 LBP 易于计算 提取纹理特征不足、抗干扰能力差 灰度共生矩阵 只利用了图像的灰度信息，计算简单 识别率不高 灰度梯度共生矩阵 利用图像的灰度与梯度信息，对图像的识别率好 计算量增大 以上是对图像特征提取方法的比较，这周还调试出了SURF、HOG等有关特征的程序，以便今后使用，还有一些特征代码的bug仍在调试中。对于检测服装应该将这些特征中的哪些结合起来运用，还应该通过实验结果来比较，试验各种组合，然后取最优的。在学习的过程中发现很多图像处理的知识还不熟悉，还要加紧学习。 下周计划： 学习分类器的原理，继续看“Clothes Search in Customer Photos via Color Matching and Attribute Learning”这篇论文，从中寻找思路。