知乎上看到一个话题—— 目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？ ---- 由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征提取做一对比，浅谈对上述问题的看法。如果能写得快一些，再简单介绍其他几种传统的特征提取的方法——SURF、ORB、LBP、HAAR等等。 ---- 目录 [1] SIFT（尺度不变特征变换） [2] HOG（方向梯度直方图）
HOG(Histogram of Oriented Gradient)特征在对象检测与模式匹配中是一种常见的特征提取算法，是基于本地像素块进行特征直方图提取的一种算法，对象局部的变形与光照影响有很好的稳定性，最初是用HOG特征来来识别人像，通过HOG特征提取+SVM训练，可以得到很好的效果，OpenCV已经有了。HOG特征提取的大致流程如下：
摘要：本文详细介绍如何利用MATLAB实现手写数字的识别，其中特征提取过程采用方向梯度直方图（HOG）特征，分类过程采用性能优异的支持向量机（SVM）算法，训练测试数据集为学术及工程上常用的MNIST手写数字数据集，博主为SVM设置了合适的核函数，最终的测试准确率达99%的较高水平。根据训练得到的模型，利用MATLAB GUI工具设计了可以手写输入或读取图片进行识别的系统界面，同时可视化图片处理过程及识别结果。本套代码集成了众多机器学习的基础技术，适用性极强（用户可修改图片文件夹实现自定义数据集训练），相信会是一个非常好的学习Demo。本博文目录如下：
传统图像分类算法的两种方法：SIFT特征+KNN分类器和HOG特征+SVM分类器。
方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，HOG+SVM在行人检测中有着优异的效果。
iDT算法框架主要包括：密集采样特征点，特征轨迹跟踪和基于轨迹的特征提取三个部分。 光流：在时间间隔很小的情况下，视频像素位移 特征提取:通过网格划分的方式在多尺度图像中分别密集采样特征点。通过计算特征点临域内的光流中值得到特征点运动方向。
有趣的是，机器学习的情况是相反的。我们已经在文本分析应用方面取得了比图像或音频更多的进展。以搜索问题为例。人们在信息检索和文本检索方面已经取得了相当多年的成功，而图像和音频搜索仍在不断完善。在过去五年中，深度学习模式的突破最终预示着期待已久的图像和语音分析的革命。
图像处理是利用计算机对图像进行去噪、增强、复原、重建、编码、压缩、几何变换、分割，提取特征等的理论、方法和技术。图像处理中，输入的是低质量的图像，输出的是改善质量后的图像。
在计算机中，图片以有序的多维矩阵进行存储，按颜色分为灰度图片用二维数组存储图片的像素值，和彩色图片用三维数组存储图片的三个通道颜色的像素值。
梯度：在向量微积分中，标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。更严格的说，从欧几里得空间Rn到R的函数的梯度是在Rn某一点最佳的线性近似。在这个意义上，梯度是雅可比矩阵的一个特殊情况。 在单变量的实值函数的情况，梯度只是导数，或者，对于一个线性函数，也就是线的斜率。
视觉和声音是人类固有的感觉输入。我们的大脑是可以迅速进化我们的能力来处理视觉和听觉信号的，一些系统甚至在出生前就对刺激做出反应。另一方面，语言技能是学习得来的。他们需要几个月或几年的时间来掌握。许多人天生就具有视力和听力的天赋，但是我们所有人都必须有意训练我们的大脑去理解和使用语言。
本文介绍了特征提取在计算机视觉和自然语言处理等领域的应用，并讨论了特征提取的算法和步骤。作者强调了特征提取的重要性，并指出在特征提取过程中需要注意的问题，包括数据量、最佳算法、可能性、目的以及检查NULL值等方面的问题。
本文介绍了KNN和HOG算法在手写数字识别中的应用，并通过实例演示了如何通过OpenCV和C++实现。首先，通过KNN算法对手写数字进行分类，并统计测试数据中的正确分类数量。其次，使用HOG算法提取特征，并将结果转换为OpenCV Mat格式。最后，使用KNN算法对测试数据进行分类，并统计正确分类数量。
2016年张姗姗等人从分析的角度对各个工作进行总结和归纳。通过分析错误案例来找到错误来源，并提出相应的解决方案以进一步提高检测率。研究发现，在高层级中主要有两类错误，分别是定位错误和背景分类错误。可以尝试两个解决方案，其一是针对检测框对齐性比较差这一现象，可以通过使用对齐性更好的训练样本标签来解决；而针对模型判别能力比较差的问题，可以通过在传统的 ICF 模型上使用 CNN 进行重新打分来提升检测的性能。
在深度学习方法主导目标检测之前，滑动窗口和特征提取技术在这一领域中发挥了关键作用。通过理解这些技术的基本原理和实现方式，我们可以更好地把握目标检测技术的演进脉络。
Python是一种计算机编程语言以及配套的软件工具和库。Python简单易学，代码十分简洁，它使用强制空白符作为缩进，这大大提高了Python的开发效率，使用Python能够在更短的时间内完成更多的工作。Python是一门开源的语言，并且Python还有许多强大的开源库，这些库使得Python无论是对云计算、大数据、还是人工智能，都有很强的支持能力。
本次实验使用的是VOC2012数据集，首先从图像中随机采样图像块，然后利用Hog方法提取图像块特征，最后采用余弦相似度和k-means聚类两种方法来挖掘视觉模式。
OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4 毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。官方的宣传口号是 OpenCV4 is more than OpenCV 充分说明OpenCV4 是整合深度学习的新一代计算机视觉开发框架！
目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。
HOG 特征广泛应用于物体识别等领域，但大面积计算 HOG 特征时重复统计会严重拖慢运行速度，使用积分图可以显著加速特征提取。 背景 HOG 特征介绍 积分图介绍 加速原理 图片 Python OpenCV 实现 def gradient_integral_map(img, angle_step): H, W = img.shape[:2] # 梯度积分图 angle_feature_channel_num = 360 // angle_step hog_matrix
本文旨在介绍一种基于方向梯度直方图（HOG）和支持向量机（SVM，Support Vector Machines）的车辆检测和跟踪算法。该算法在OpenCV和Sklearn环境下开发，经不断优化后在实际路况下得到了成功的应用。
行人检测可定义为判断输入图片或视频帧是否包含行人，如果有将其检测出来，并输出bounding box 级别的结果。由于行人兼具刚性和柔性物体的特性 ，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。 行人检测系统的研究起始于二十世纪九十年代中期，是目标检测的一种。从最开始到2002 年，研究者们借鉴、引入了一些图像处理、模式识别领域的成熟方法，侧重研究了行人的可用特征、简单分类算法。自2005 年以来，行人检测技术的训练库趋于大规模化、检测精度趋于实用化、检测速度趋于实时化。随着高校、研究所以及汽车厂商的研究持续深入，行人检测技术得到了飞速的发展。本文主要介绍行人检测的特征提取、分类器的发展历程以及行人检测的现状。
本文介绍了如何从单张图像中预测出多个物体的边界框和类别，并分析了在预测过程中各种因素对结果的影响。同时，文章还对一系列现有方法进行了评估和比较，并提供了改进方向。
这里，没有直接采用之前的方案，是因为在设计的时候，发现直接采用颜色等直接特征提取然后进行二值化处理的方法，如果视频中出现颜色类似的区域，则很有可能错误的定位，例如在公交车中车牌区域范围和前窗以及部分的背景比较相似，直接采用这种方法会出错。
✔️ 为了提高检测器对关照等干扰因素的鲁棒性，需要对图像进行Gamma矫正，完成对整个图像的归一化，调整对比度，降低噪声影响；
HOG全称：方向梯度直方图（Histogram of Oriented Gradient），发表于2005年的CVPR，是一种图像特征提取算法，和SVM分类器结合应用于行人检测领域。HOG通过计算图像中每个像素的梯度的大小和方向，来获取图像的梯度特征，是一种特征描述子。
在【模式识别】SVM实现人脸表情分类一文中，我曾使用Hog特征+SVM的方式实现表情分类，但对于Hog特征的原理并未做深入整理。此篇将结合scikit-image来简单分析Hog特征的原理和维度关系。因为没看过原论文，因此自己的理解可能会有偏差，如有错误，欢迎评论区指正。
HOG（Histogram of Oriented Gradients）HOG特征在对象检测与模式匹配中是一种常见的特征提取技术（深度学习之前），是基于本地像素块进行特征直方图提取的一种算法，对像局部的变形与光照影响有很好的稳定性，最初是用HOG特征来识别人像，通过HOG特征提取+SVM训练，可以得到很好的效果，OpenCV已经有相应的接口。
视频分类/行为识别是计算机视觉领域中非常有挑战性的课题，因为其不仅仅要分析目标体的空间信息，还要分析时间维度上的信息，如何更好的提取出空间-时间特征是问题的关键。本文总结了该领域的技术进展和相关数据集，技术进展从传统特征法到深度学习中的3DCNN，LSTM，Two-Stream等。
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。
DPM算法由Felzenszwalb于2008年提出，是一种基于部件的检测方法，对目标的形变具有很强的鲁棒性。目前DPM已成为众多分类、分割、姿态估计等算法的核心部分，Felzenszwalb本人也因此被VOC授予"终身成就奖"。
OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。
自监督预训练在自然语言处理方面取得了惊人的成功，其基本思路中包含着掩码预测任务。前段时间，何恺明一作的论文《Masked Autoencoders Are Scalable Vision Learners》提出了一种简单实用的自监督学习方案 MAE，将 NLP 领域的掩码预测（mask-and-predict）方法用在了视觉问题上。现在来自 Facebook AI 研究院（FAIR）的研究团队又提出了一种自监督视觉预训练新方法 MaskFeat。
卷积神经网络(CNN)概念解释 传统对象识别-模式识别 传统的模式识别神经网络(NN)算法基于梯度下降，基于输入的大量样本特征数据学习有能力识别与分类不同的目标样本。这些传统模式识别方法包括KNN、SVM、NN等方法、他们有一个无法避免的问题，就是必须手工设计算法实现从输入图像到提取特征，而在特征提取过程中要考虑各种不变性问题、最常见的需要考虑旋转不变性、光照不变性、尺度不变性、通过计算图像梯度与角度来实现旋转不变性、通过归一化来避免光照影响，构建尺度金字塔实现尺度不变性，这其中SIFT与SURF是其这类
SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大，很难实时，所以对一些实时要求比较高的常见SIFT算法还是无法适用。如今SIFT算法在深度学习特征提取与分类检测网络大行其道的背景下，已经越来越有鸡肋的感觉，但是它本身的算法知识还是很值得我们学习，对我们也有很多有益的启示，本质上SIFT算法是很多常见算法的组合与巧妙衔接，这个思路对我们自己处理问题可以带来很多有益的帮助。特别是SIFT特征涉及到尺度空间不变性与旋转不变性特征，是我们传统图像特征工程的两大利器，可以扩展与应用到很多图像特征提取的算法当中，比如SURF、HOG、HAAR、LBP等。夸张一点的说SIFT算法涵盖了图像特征提取必备的精髓思想，从特征点的检测到描述子生成，完成了对图像的准确描述，早期的ImageNet比赛中，很多图像分类算法都是以SIFT与HOG特征为基础，所有SIFT算法还是值得认真详细解读一番的。SIFT特征提取归纳起来SIFT特征提取主要有如下几步：
来源：机器之心本文约1700字，建议阅读5分钟mask-and-predict 的方法可能会成为计算机视觉领域的新流派。 自监督预训练在自然语言处理方面取得了惊人的成功，其基本思路中包含着掩码预测任务。前段时间，何恺明一作的论文《Masked Autoencoders Are Scalable Vision Learners》提出了一种简单实用的自监督学习方案 MAE，将 NLP 领域的掩码预测（mask-and-predict）方法用在了视觉问题上。现在来自 Facebook AI 研究院（FAIR）的研
该文介绍了如何使用HOG+SVM进行行人检测，并给出了OpenCV封装好的函数用法。首先介绍了HOG+SVM的背景知识，然后给出代码示例，最后通过两个测试图片的读取和运行结果展示。
该系统的最大贡献为提出基于梯度的HoG（locally normalized Histogram of Oriented Gradient）特征，该特征的计算流程分为5步，分别如下所示：
在上一篇博客：【计算机视觉——RCNN目标检测系列】三、IoU与非极大抑制主要讲解了IoU与非极大抑制相关概念与python实现，接下来在这篇博客中主要讲解了R-CNN论文中模型结构及其相关技术细节。
为了减少光照因素的影响，首先需要将整个图像进行规范化（归一化），有效地降低图像局部的阴影和光照变化。
由O'Reilly Media,Inc.出版的《Feature Engineering for Machine Learning》（国内译作《精通特征工程》）一书，可以说是特征工程的宝典，本文在知名开源apachecn组织翻译的英文版基础上，将原文修改成jupyter notebook格式，并增加和修改了部分代码，测试全部通过。这个资料可以说是特征工程的宝典，值得推荐。
以下代码均在python3.6，opencv4.2.0环境下试了跑一遍，可直接运行。
最近在做的项目有用到HOG+SVM这一方面的知识，参考相关论文和网上一些博文在此对HOG特征进行下总结。
特征选择和降维有着些许的相似点，这两者达到的效果是一样的，就是试图去减少特征数据集中的属性(或者称为特征)的数目；但是两者所采用的方式方法却不同：降维的方法主要是通过属性间的关系，如组合不同的属性得新的属性，这样就改变了原来的特征空间；而特征选择的方法是从原始特征数据集中选择出子集，是一种包含的关系，没有更改原始的特征空间。
昨天在GitHub上看到了一个开源的项目，是利用深度学习来检测是否有佩戴口罩的，感觉还挺好玩的，于是就去下载了训练好的模型，打算用OpenCV的dnn模块来跑一跑。然而，在经过前向传播后，得到的推理矩阵prob是一个1x5972x2 的Mat矩阵，和之前遇到过的推理结果都不太一样，在经过多种解码方式的尝试后，还是没能够对这个推理结果正确得解码。并且在网上搜索也没有找到相关的内容，几乎没有网友使用OpenCV来运行这个模型，基本都是使用深度学习的框架来运行。这就很无奈了，现在只能暂时把这个模型放一边，等其他时候再来研究一下该怎么对它的推理结果进行解码。
1.Classification in the Presence of Missing Data 2.Handwriting Recognition Using Bagged Classification Trees 【代码及其数据点击阅读原文下载】 目标分类是一个重要的任务，在许多计算机视觉应用，包括监控、汽车安全、和图像检索。例如，在汽车安全应用程序，您可能需要将附近的物体，如行人或车辆。无论对象的分类类型，创建对象分类的基本程序是： 获得一个标记的数据集所需的对象的图像。 分区数据集分成训练集和测
考生作弊行为分析系统利用python+yolo系列网络模型算法框架，考生作弊行为分析算法利用图像处理和智能算法对考生的行为进行分析和识别，经过算法服务器的复杂计算和逻辑判断，算法将根据考生行为的特征和规律，判定是否存在作弊行为。考生作弊行为分析算法模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2=98 个bounding box。我们将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
