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!