本文主要是介绍Region Covariance: A Fast Descriptor for Detection and Classification算法总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
传统的像素级特征比如颜色、梯度、滤波响应等等它们对光照变化和非刚性运动的描述不够鲁棒，而在像素级特征之上延伸出的直方图表述了一种无参的联合分布，然而随着特征数目的增加，联合分布的表达是呈指数增加的。另外，关键点的检测以及描述在匹配局部图像上非常有效，然而它们只包含了局部信息，没有利用全局的信息。
与直方图类似，协方差也能作为特征描述，并且协方差的特征维度要小很多。实验证明，协方差特征比其他特征性能要优越。
协方差矩阵提取算法流程如下：
1. 计算图像的特征矩阵
I表示原图像，可以是灰度图也可以是彩色图。I的大小为W*H，令d为特征维度，那么F的维度为W*H*d。提取的特征可以是亮度、颜色、梯度、滤波响应等等的级联。
2. 计算特征协方差矩阵
n为图像中像素总个数，Zk表示第k个像素点的特征，d*1维向量，u为特征的均值，也是d*1维，所以协方
这篇关于Region Covariance: A Fast Descriptor for Detection and Classification算法总结的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
