GIST
GIST 提取的是大区域范围特征,适合用于场景识别与分类。
(常引用的是:一个场景中各物体的空间位置并不重要,重要的是大尺度的物体与物体间空间位置关系,比如说城市一般上面天空,下面建筑,森林上面天空,中间树木,下面草坪。)
GIST 512 的计算方法:
- 利用 Gabor 滤波器提取特征,分别在 4 个尺度与 8 个方向提取,得到 32 个特征图
- 把每个特征图分为 4 × 4 =16 个区域,计算每个区域中的均值
- 一共获得 32 × 16 = 512 个特征,利用这 512 个特征来训练分类器,实现场景分类
Harr
Harr 特征比较简单,其实就是不同模板的黑白区域和值相减,即为 Harr 特征值。
每个特征值都可作为一个弱分类器。
对这些弱分类器进行训练,最后选出其中效果最好的 K 个。
将选出的 K 个弱分类器进行级联,得到强分类器。
- 为什么 Harr 特征值有效果?
解释是,灰度图来看人脸,一般额头较亮,眼睛较暗,脸颊较亮,鼻尖较亮,鼻侧较暗,嘴唇较暗....
故以区域的和来看,不同区域之间的亮度和有区别,可成为分类的判别条件。
一个特征值或许没有太大价值,但是特征值一多(满足的约束条件越多),则分类效果就有了。 - Harr 级联检测器可用于什么地方?
- 人脸检测
- 行人检测
- 眼睛、眼睛、鼻子、嘴巴检测
- 表情检测
- 金属检测
- ...
网友评论