目標識別、目標跟蹤演算法總結
想自學影象處理的相關知識，正好實驗室師兄做過兩個關於紅外目標跟蹤的專案，因此從mean-shift 、SR、RP、PF開始學習。但是查閱資料的時候，發現對各種演算法理解非常
利用影象處理演算法，實現的功能一般包括：
目標的檢測、識別、跟蹤。常見的問題包括：人臉檢測、人臉識別、目標跟蹤等問題。
特徵提取
|
|
|
|
優缺點 |
應用 |
| 全域性特徵 |
直方圖 |
灰度/ |
空間資訊缺失，對目標外觀改變敏感，如姿態、光照、非剛性形變 |
直方圖+mean-shift Ø 紅外船艦跟蹤 |
| 顏色特徵 |
HSV/RGB/YCbCr |
對目標外觀改變敏感，如姿態、光照、非剛性形變 |
畫素值+SR 畫素值+PCA Ø 基於整體法的人臉識別 |
|
| 輪廓特徵 |
|
|
|
|
| 區域性特徵 |
點特徵 |
Harris 角點檢測 |
|
|
| SIFT 關鍵點檢測 |
具有旋轉不變、尺度不變、視角不變的特徵 |
SIFT+K-means +SVM Ø 文字識別 |
||
| BRISK描述符 |
|
|
||
| CARD描述符 |
|
|
||
| 邊緣特徵 |
Canny運算元 |
|
|
|
| HOG 方向梯度直方圖 |
幾何的和光學的形變都能保持很好的不變性 只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果 |
HOG+SVM Ø 行人檢測（人體檢測） Ø 入侵檢測 |
||
| 紋理特徵 |
Gabor變換 |
|
|
|
| LBP 區域性二值模式 |
旋轉不變性、灰度不變性 |
|
||
| Haar-like |
Haar-like |
相比於直接使用畫素值特徵，降低了計算複雜度，極大提升了計算速度 |
Haar-like+adaboost Ø 人臉檢測 |
|
| 運動特徵 |
光流 |
|
|
|
| SIFT流 |
|
|
|
目標檢測（從影象中找出目標區域）
| 基於判決式模型 將目標和背景看為二分類的方法 |
SVM |
二分類問題，尋找最大分類間隔 |
| Adaboost |
|
|
| 神經網路 |
|
|
| 基於生成模型 尋找與目標相似度最大的區域 |
PCA |
|
| SR |
|
|
| 隨機森林 |
|
|
| 背景建模 |
混合高斯模型 |
|
目標識別（實現目標的分類）
對已知物體類別總數的識別方式我們稱之為分類，並且訓練的資料是有標籤的，比如已經明確指定了是人臉還是非人臉，這是一種有監督學習：從人臉庫中識別輸入的人臉
其他方法
| 簡化資料 |
PCA |
|
| LDA |
|
|
| SVD |
|
|
| RP |
|
|
| 聚類 |
K-means |
如在進行SVM之前，可以對特徵進行聚類 |