这篇教程HOG, Histogram of Oriented Gradients / 方向梯度直方图 介绍写得很实用,希望能帮到您。
什么是 Feature Desciptor / 特征描述子
Feature Desciptor / 特征描述子 从图像中提取有用信息,剔除无关信息;
典型的,特征描述子从将一张 宽度 * 高度 * 3 ( 通道数 ) 大小的图像,提取出长度为 n 的 Feature Vector / 特征向量 或者 Feature Array / 特征矩阵;
比如 HOG 特征描述子会从一张 64 * 128 * 3 的图像中提取出长度为 3780 的特征向量;
请记住, HOG 的特征描述子也可以计算其他尺寸,但是这篇文章中,我使用上述尺寸,以便你能够轻松的理解概念。
这些概念听起来都挺不错,但是哪些是“有用的信息”,有些又是“无用的信息"?
定义“有用的信息”,我们需要知道有用的信息用来干什么的;
很明显,通过特征向量用来浏览图像是没用的,但是在图像识别或者目标检测中,特征向量会变得很有用;
在一些图像分类算法中比如 SVM,Support Vector Machine,支持向量机 中,用特征向量进行分类会达到很好的结果。
但是在分类任务中,哪些特征是有用的呢?
我们借助下面的例子来讨论,比如现在我们想通过一个目标检测器,可以检测衬衫和大衣的纽扣;
一个纽扣是一个圆形(图片中也有可能看起来像是椭圆),一般来说有几个孔,用于缝到衣服上面;
你可以在纽扣的图像上使用一个 Edge detector / 边缘检测器,可以轻松通过检测边缘来辨别它是不是一个纽扣;
这个例子中,边缘信息是“有用的”而颜色信息是 ”无用的“;
除此之外,特征也需要有足够特殊的地方。比如一个好的特征,应该能够让你辨别出纽扣和其他圆形的物体,比如硬币和汽车轮胎。
什么是 Feature Desciptor / 特征描述子 7 Steps to Mastering Machine Learning With Python七步掌握用python进行机器学习 |