计算机视觉应用--目标检测.pptx

目标检测2.3

目标检测是一项计算机视觉任务,其主要目标是自动识别图像或视频中的特定对象,并准确确定它们的位置,通常使用边界框来表示。这一任务在自动驾驶、监控系统、医学图像分析等领域中扮演着重要的角色,涉及对象的分类和位置的精确定位。除了介绍常见的传统目标检测方法,本节还会探讨感兴趣点检测的相关内容。小知识目标检测是计算机视觉中的重要任务，常见的算法有DPM、Viola-Jones人脸检测等。2.3目标检测

2.3.1Harris角点检测器2.3目标检测?

2.3目标检测?

2.3目标检测?（1）?（2）?（3）?

2.3目标检测在不需要实际计算特征值的情况下,为了把重要的情况和其他情况分开,Harris和Stephens(Harris算子提出者)引入了指示函数:为了去除加权常数k,通常使用商数作为Harris角点检测的指示函数。

2.3目标检测Harris角点检测算法的实现,需要使用scipy.ndimage.filters模块中的高斯导数滤波器来计算导数,高斯滤波器在检测过程中可以抑制噪声强度。首先,新建一个harris.py文件,将角点响应函数添加到harris.py文件中,该函数使用高斯导数实现,其中,参数σ定义了使用的高斯滤波器的尺度大小。读者也可以通过这个函数中x和y方向上不同的尺度参数及平均操作中的不同尺度来计算Harris矩阵。Harris角点检测程序(保存在harris.py文件中)具体如下:

2.3目标检测

2.3目标检测上述程序会返回像素值为Harris响应函数值的一幅图像。Harris角点检测算法需要从这幅图像中选出所需信息,然后选取像素值高于阈值的所有图像点,再加上额外的限制,即角点的间隔必须大于设定的最小距离。为了实现该算法,首先需要获取所有的候选像素点,以角点响应函数值递减的顺序排序,然后,从候选像素点中剔除那些已被标记为距离其他角点过近的区域。代码实现如下(将下面的函数添加到harris.py文件中):

2.3目标检测

2.3目标检测

2.3目标检测以上就是检测图像中角点所需要的所有函数。此外,为了显示图像中的角点,需要使用Matplotlib模块绘制函数,并将其添加到harris.py文件中,具体代码如下:

2.3目标检测接着使用上面定义的所有函数,程序运行代码如下:

上述代码首先导入相关模块读取图像,并将其转换成灰度图像。然后计算响应函数,基于响应值选择角点。最后在原始图像中覆盖绘制检测出的角点。绘制出的结果图像如图2-12所示。2.3目标检测

2.3.2斑点检测器2.3目标检测斑点和角点是两种不同类型的局部特征点。在图像中,角点是图像中物体的拐角或线条之间的交叉部分,而斑点通常是指与周围有着颜色和灰度差别的区域。例如,黑暗区域上的亮斑或明亮区域上的暗斑。在实际场景中,往往存在许多这样的斑点。例如,一棵树、一块草地或一座房子,这些都可以被视为斑点,因为它们代表着一个区域,相对于角点,斑点具有更强的抗噪能力和更好的稳定性。斑点检测的方法主要包括利用高斯拉普拉斯(LoG)算子检测的方法、高斯差分(DifferenceofGaussina,DoG)方法及利用像素点黑塞(Hessian)矩阵(二阶微分)的方法。本节将讨论如何使用以上3种算法在图像中实现斑点特征检测。

在图像处理中,图像与滤波器的交叉相关可以看作模式匹配,即将模板图像与图像中的所有局部区域进行比较来寻找相似区域,而图像与某个二维函数进行卷积运算也可以看作求取图像与这一函数的相似性。同理,图像与高斯拉普拉斯函数的卷积实际就是求取图像与高斯拉普拉斯函数的相似性。当图像中的斑点尺寸与高斯拉普拉斯函数的形状近似一致时,图像的拉普拉斯响应达到最大,这是斑点检测的核心思想。拉普拉斯算子常通过对图像求取二阶导数的零交叉点进行边缘检测,其计算公式如下:1.高斯拉普拉斯算子2.3目标检测

由于微分运算对噪声比较敏感,可以先对图像进行高斯平滑滤波,再使用拉普拉斯算子进行边缘检测,以降低噪声的影响。由此便形成了用于局部极值点检测的LoG算子。常用的二维高斯函数如下:而原图像与高斯核函数卷积定义为2.3目标检测

所以LoG算子可以认为是先对高斯核函数求取二阶偏导,再与原图像进行卷积操作,可以将LoG算子核函数定义为由于高斯函数是圆对称的,因此LoG算子可以有效地实现极值点或局部极值区域(如斑点)的检测。使用LoG算子虽然能较准确地检测到图像中的特征点,但是其运算量过大,速度很慢(特别是在检测较大的斑点时),通常可使用DoG来近似计算LoG算子。2.3目标检测

高斯差分(DoG)可以看作LoG算子的一个近似算子,但是它比LoG算子的效率更高。DoG算子是高斯函数的差分,具体